Network cross-validation by edge sampling
通过边抽样进行网络交叉验证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：摘要直接研究网络数据重抽样、网络模型选择与参数调节。
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…
关注这篇论文的作者
通过边抽样进行网络交叉验证
- 研究问题
- 网络交叉验证中，按节点分组会删除边并破坏部分网络结构；如何设计适用于模型选择和参数调节的重抽样方式？
- 方法与思路
- 作者按节点对而非节点拆分网络数据，构造边抽样交叉验证策略，并提供一般理论论证及具体模型选择应用示例。
- 材料陈述的贡献
- 摘要称该策略适用于广泛的网络模型选择任务，模拟网络与统计学家引用网络的结果表明其具有良好选择表现。
- 阅读关注点
- 应核对训练和验证节点对的抽样规则、未用于训练的边如何处理，以及理论保证所需的网络模型和误差条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断理论保证的具体范围、稀疏网络下的限制，或相对其他抽样方法的普遍优势。
原文摘要
Summary While many statistical models and methods are now available for network analysis, resampling of network data remains a challenging problem. Cross-validation is a useful general tool for model selection and parameter tuning, but it is not directly applicable to networks since splitting network nodes into groups requires deleting edges and destroys some of the network structure. In this paper we propose a new network resampling strategy, based on splitting node pairs rather than nodes, that is applicable to cross-validation for a wide range of network model selection tasks. We provide theoretical justification for our method in a general setting and examples of how the method can be used in specific network model selection and parameter tuning tasks. Numerical results on simulated networks and on a statisticians’ citation network show that the proposed cross-validation approach works well for model selection.