Penalized Network Cross-Validation for Nested Models by Edge-Sampling
基于边抽样的嵌套网络模型惩罚交叉验证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：摘要直接涉及网络数据、边抽样及随机块和graphon等网络模型的选择。
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
基于边抽样的嵌套网络模型惩罚交叉验证
- 研究问题
- 在比较不同类别的嵌套网络模型时，如何降低交叉验证的过拟合倾向，并为跨模型类别选择提供一致性保证？
- 方法与思路
- 作者提出基于边抽样的惩罚交叉验证，在评估中加入模型复杂度惩罚，用于随机块、度修正随机块和graphon模型比较。
- 材料陈述的贡献
- 摘要称，该框架给出所列模型间选择的一致性保证，作者将其称为据其所知的首次结果，并报告模拟与政治图书网络应用。
- 阅读关注点
- 应核对模型嵌套关系、边抽样机制、复杂度惩罚和一致性条件，以及稳定性结论适用的网络情景。
- 阅读边界
- 仅据所给出版社在线优先版摘要；未提供一致性条件、惩罚形式或性能数值。“首次”是作者陈述，不能据此核验或推断后续刊本变化。
原文摘要
In the network literature, a wide range of statistical models has been proposed to exploit structural patterns in the data. Therefore, model selection between different models is a fundamental problem. However, systematic theoretical understanding remains limited when comparisons involve different model classes. To address this challenging issue, we propose a penalized edge-sampling cross-validation framework for nested network model selection. By incorporating a model complexity penalty into the evaluation process, our method effectively mitigates the overfitting tendency of cross-validation and adapts to varying model structures. This framework supports comparisons among widely used models, including stochastic block models (SBMs), degree-corrected SBMs (DCBMs), and graphon models, providing the first consistency guarantees for model selection across these settings to the best of our knowledge. Empirical evaluations, including both simulated data and the “Political Books” network, demonstrate that our method yields stable and accurate performance across various scenarios.