混洗中的迷失：含误差网络顶点标签下的检验功效
统计方法学
2024-05-28 v5 机器学习
摘要
双样本网络假设检验是一项重要的推断任务，在医学、神经科学和社会学等多个领域均有应用。许多此类检验方法隐含地假设跨网络的顶点对应关系是先验已知的。这一假设往往不成立，当跨网络存在未对齐/标签混洗的顶点时，后续检验的功效会下降。本文在随机点积图与随机块模型网络的背景下，针对基于估计边概率矩阵或邻接矩阵之间 Frobenius 范数差异的一对假设检验，从理论上探讨了由混洗引起的功效损失。在随机块模型和随机点积图模型中，通过大量模拟与实验进一步印证了这种检验功效的损失，其中考虑了文献中多个近期提出的检验方法的功效损失。最后，通过来自神经科学与社会网络分析的一对实例，展示了混洗在真实数据检验中可能产生的影响。
引用
@article{arxiv.2208.08638,
title = {Lost in the Shuffle: Testing Power in the Presence of Errorful Network Vertex Labels},
author = {Ayushi Saxena and Vince Lyzinski},
journal= {arXiv preprint arXiv:2208.08638},
year = {2024}
}