高维增长网络模型的统计验证

复杂网络模型的大量涌现以及当前验证标准的不足，使得难以判断哪些模型得到了数据的强力支持，哪些则不然。我们在此关注具有许多参数的增长网络模型的似然最大化方法，并在人工和真实数据集上比较其性能。虽然参数空间的高维性损害了直接在人工数据上进行似然最大化的性能，但通过引入合适的惩罚项可以改善这一点。在真实数据上的似然最大化表明，所提出的方法能够区分可用的网络模型。为了使大规模数据集能够进行此类分析，我们提出了一种子集采样技术，并表明该技术能在分析完整数据所需时间的一小部分内产生实质性的模型证据。