Conformal Prediction for Network-Assisted Regression
网络辅助回归的保形预测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：摘要直接使用网络协变量预测节点属性，并处理节点统计量的依赖结构，属于网络方法方向。
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
网络辅助回归的保形预测
- 研究问题
- 使用网络嵌入、局部子图计数和常规节点协变量预测节点属性时，如何处理网络统计量之间依赖造成的推断困难？
- 方法与思路
- 作者构造网络版保形预测，在联合交换性假设下研究有限样本有效性，并进一步建立某种渐近条件有效性。
- 材料陈述的贡献
- 摘要称，该方法对广泛的网络协变量具有有限样本有效性，并可实现一种渐近条件保证，辅以模拟及引文网络应用。
- 阅读关注点
- 应核对联合交换性的对象、预测分数和校准样本的构造、有限样本覆盖的含义，以及渐近条件有效性的精确定义。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；交换性及条件有效性的具体形式未说明，不能认定任意网络或逐节点覆盖保证。
原文摘要
An important problem in network analysis is predicting a node attribute using both network covariates, such as graph embedding coordinates or local subgraph counts, and conventional node covariates, such as demographic characteristics. While standard regression methods that make use of both types of covariates may be used for prediction, statistical inference is complicated by the fact that the nodal summary statistics are often dependent in complex ways. We show that under a mild joint exchangeability assumption, a network analog of conformal prediction achieves finite sample validity for a wide range of network covariates. We also show that a form of asymptotic conditional validity is achievable. The methods are illustrated on both simulated networks and a citation network dataset.