EJS — Vol 19 Issue 1 · 2026-07-15¶
- 共 1 篇 · Electronic Journal of Statistics
- 目录核对 ⚠️ 疑似漏 69 篇（对照 OpenAlex 70 篇）：10.1214/25-ejs2347、10.1214/25-ejs2369、10.1214/24-ejs2339、10.1214/25-ejs2355、10.1214/25-ejs2378 等
本期导览¶
自动生成：归纳本期主要主题与脉络，不打分、不排名。
这一期仅收录一篇论文，主题集中于网络数据分析中的鲁棒顶点提名问题，属于图模型与对抗性污染处理的交叉方向。全文围绕如何在半监督设定下，从受污染的图中检索与种子节点相似的顶点展开，核心贡献在于提出一种在模型空间而非图结构空间进行修剪的新方法。
该论文基于随机点积图模型，通过调整模型参数来同时应对块结构污染和分布未知的白噪声污染，避免了直接修剪邻接矩阵带来的理论分析困难。方法工具上，作者将鲁棒性问题转化为模型参数的调整与估计，使得理论性质更易刻画，模拟实验也表明其在多种污染场景下优于传统的直接修剪策略。这一思路对于处理图数据中的对抗性扰动具有参考价值。
由于本期仅此一篇，且主题与因果推断、高维统计或半参数效率等方向无直接关联，若您关注网络数据中的鲁棒性方法或图模型在污染环境下的推断，可优先阅读此文；若主要兴趣在因果识别或高维假设检验，则本期内容与您当前方向匹配度较低。
其他 (other, 1 篇)¶
1. 10.1214/25-ejs2366 — Novel network trimming for robust vertex nomination in contaminated networks¶
- 作者: Sheyda Peyman, Minh Tang, Vince Lyzinski
- 期刊/来源: Electronic Journal of Statistics
- 机构: North Carolina State University · University of Maryland, College Park
- 分类: vol 19 · issue 1
- 相关性 4/10 · novelty:
application - 摘要: 本文研究带污染网络数据中的顶点提名问题，目标是在半监督设定下从图中检索与种子节点相似的节点。现有方法常依赖谱嵌入，并通过直接修剪网络边来消除对抗性污染，但修剪后图结构复杂，难以理论分析。作者提出一种在模型空间进行修剪的新方法，可同时处理块结构污染和分布未知的白噪声污染。该方法基于随机点积图模型，通过调整模型参数而非直接修改邻接矩阵来实现鲁棒性。理论分析表明模型修剪更易于处理，模拟实验显示其在多种污染场景下优于直接修剪。对您而言，本文属于网络数据分析的应用方向，与您的主要兴趣（因果推断、高维统计）关联较弱，但若您未来涉足网络因果推断或图数据鲁棒性分析，可作入门参考。
- 关键技术:
spectral graph embedding,random dot product graph,vertex nomination,network trimming,robust estimation - 为什么对您有用: 本文属于网络数据分析的应用，与您的主要兴趣（因果推断、高维统计、U-统计量）直接关联较弱。作为gateway-reading，本文对网络污染问题的设定清晰，但方法学新颖性有限（模型修剪本质是参数调整）。武器库中非参数统计和估计理论可帮助理解其谱嵌入步骤，但核心问题（顶点提名）并非您当前方向。暂不可做——缺少图模型鲁棒性分析的具体工具（如对抗性污染下的谱方法理论）。
Maintained by 陈星宇 · Homepage · Source on GitHub