Network dependence testing via diffusion maps and distance-based correlations
利用扩散映射与距离相关的网络依赖检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究网络连通性与节点属性之间的依赖检验，直接对应网络方向，但未研究因果效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用扩散映射与距离相关的网络依赖检验
- 研究问题
- 网络连通结构与节点属性是否相关，如何在网络依赖和高维结构带来的困难下构造具有理论保证的检验方法？
- 方法与思路
- 作者以扩散映射构造网络嵌入，再结合基于距离的相关性度量检验依赖，并研究扩散时间对应的信息性。
- 材料陈述的贡献
- 摘要称在图结构的适当分布条件下得到一致的检验统计量，并能高效识别信息性较强的嵌入，提供模拟和真实数据示例。
- 阅读关注点
- 应核对图结构的分布条件、检验统计量与校准方式，以及扩散时间选择如何影响一致性保证和实际检验表现。
- 阅读边界
- 仅据所给Crossref摘要，具体分布条件和有限样本错误率未说明；检验网络关联不能直接解释为因果干扰效应。
原文摘要
Summary Deciphering the associations between network connectivity and nodal attributes is one of the core problems in network science. The dependency structure and high dimensionality of networks pose unique challenges to traditional dependency tests in terms of theoretical guarantees and empirical performance. We propose an approach to test network dependence via diffusion maps and distance-based correlations. We prove that the new method yields a consistent test statistic under mild distributional assumptions on the graph structure, and demonstrate that it is able to efficiently identify the most informative graph embedding with respect to the diffusion time. The methodology is illustrated on both simulated and real data.