.png){kind=icon}
返回
Penalized Network Cross-Validation for Nested Models by Edge-Sampling
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2719795.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在网络文献中，已提出广泛的统计模型以利用数据中的结构模式。因此，不同模型间的模型选择是一个基本问题。然而，当比较涉及不同模型类别时，系统性的理论理解仍然有限。为解决这一挑战性问题，我们提出了一个用于嵌套网络模型选择的惩罚边采样交叉验证框架。通过在评估过程中引入模型复杂度惩罚，我们的方法有效缓解了交叉验证的过拟合倾向，并适应了不同的模型结构。该框架支持广泛使用的模型比较，包括随机块模型（SBMs）、度校正随机块模型（DCBMs）和图模型，据我们所知，首次为这些设置中的模型选择提供了一致性保证。实证评估，包括模拟数据和“政治书籍”网络，表明我们的方法在各种场景下均能获得稳定且准确的表现。
Keyword:
Model selection
Penalization
Stochastic block models
Graphon
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
暂无论文信息