Detection thresholds for the $\beta$-model on sparse graphs
稀疏图 β 模型中的信号检测阈值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：摘要直接研究随机图 β 模型中的网络信号检测，但未涉及因果干扰效应。
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…
稀疏图 β 模型中的信号检测阈值
- 研究问题
- 在可能稀疏的随机图 β 模型中，图稀疏度、信号稀疏度与信号强度如何共同决定信号能否被检测？
- 方法与思路
- 作者研究不同稀疏区间的尖锐检测阈值，分析一种高阶批判检验的最优常数性质，并以数值模拟核验理论。
- 材料陈述的贡献
- 摘要称，极稀疏图中的较稀疏信号可使所有检验渐近无力，而较密图可获得匹配常数的阈值及尖锐相变。
- 阅读关注点
- 应核对图与信号稀疏度的渐近定义、阈值常数和检验构造，以及“无论信号强度”的具体适用区间。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；阈值公式、参数范围及模拟数值未提供，结论不能外推至任意网络模型。
原文摘要
In this paper, we study sharp thresholds for detecting sparse signals in $\beta$-models for potentially sparse random graphs. The results demonstrate interesting interplay between graph sparsity, signal sparsity and signal strength. In regimes of moderately dense signals, irrespective of graph sparsity, the detection thresholds mirror corresponding results in independent Gaussian sequence problems. For sparser signals, extreme graph sparsity implies that all tests are asymptotically powerless, irrespective of the signal strength. On the other hand, sharp detection thresholds are obtained, up to matching constants, on denser graphs. The phase transitions mentioned above are sharp. As a crucial ingredient, we study a version of the higher criticism test which is provably sharp up to optimal constants in the regime of sparse signals. The theoretical results are further verified by numerical simulations.