具有潜在空间结构的网络的自助法

基于摘要分析。研究面向统计网络分析中的自助法（bootstrap）问题：通常只有一个观测网络，无法直接沿用针对独立样本的经典重采样方法。作者提出两种适用于潜在空间模型网络的方法，分别生成网络统计量的 bootstrap 副本和完整网络的 bootstrap 副本。 第一种方法针对可表示为潜在位置 U-statistics 的网络统计量，直接生成统计量副本，无需构造新的网络。摘要列举的适用量包括平均度和子图计数；聚类系数等常用指标则不属于这一表示范围。第二种方法生成整个网络的副本，因此可用于更一般的网络函数。两者的关键区别是重采样对象与统计量覆盖范围，而非摘要已验证的计算成本差异。 作者在 random dot product graph（随机点积图）这一潜在空间网络模型假设下证明所提方法的一致性；该结论不能直接推广至任意网络生成机制。作者报告，在合成数据和真实数据上展示了方法有效性，并优于既有方法，但摘要未提供数据名称、网络规模、对照方法、评价指标或效应大小。具体重采样步骤、潜在位置的获取方式、理论条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接网络能够合理地由相应潜在空间模型描述，这类方法可能用于评估平均度、子图计数等网络摘要量的不确定性，而非直接改进 EEG 解码。可复用的是统计量级与整网级重采样思路；需改造或核对的是连接估计、边权形式及模型适配。低信噪比、通道选择、跨被试差异和有限时长造成的连接估计误差，可能使模型假设失效，且网络 bootstrap 未必覆盖信号估计本身的不确定性。一个可检验的小实验是在模型匹配及失配的模拟网络中比较置信区间覆盖率，再评估其对 EEG 连接构图方式的敏感性。已有 EEG 相关工作尚未检索确认。