高维数据中网络结构学习的重采样框架

arXiv cs.LG 工具
r-package network-inference high-dimensional-data resampling graphlet-analysis open-source

摘要

RSNet 是一个开源 R 包，提供了基于重采样的框架，用于在高维数据中进行稳健且可解释的网络推断，支持偏相关网络和条件高斯贝叶斯网络，并包含图元基元拓扑分析。

arXiv:2605.12706v1 公告类型: 新 摘要: RSNet 是一个开源 R 包，提供了基于重采样的框架，用于稳健且可解释的网络推断，旨在解决高维数据中常见的样本量有限问题。它既支持估计建模为高斯网络的偏相关网络，也支持针对混合数据类型（连续和离散变量组合）的条件高斯贝叶斯网络。该框架整合了多种重采样策略，包括自举法、子采样法和基于聚类的方法，以适应独立和相关观测数据。为了增强可解释性，RSNet 集成了基于图元基元的拓扑分析，能够捕获高阶连接性和边符号信息，实现单节点和子网络层面的洞察。值得注意的是，RSNet 是第一个能够以接近恒定时间高效构建稀疏网络的有符号图元基元度向量矩阵（GDVM）的 R 包，从而提供对高阶网络结构的可扩展分析。总的来说，RSNet 为高维数据中统计可靠且可解释的网络推断提供了一个多功能工具。
查看原文
查看缓存全文

缓存时间: 2026/05/14 06:17 

# 一种基于重采样的高维数据网络结构学习框架
来源: https://arxiv.org/abs/2605.12706
查看PDF (https://arxiv.org/pdf/2605.12706)

> 摘要:RSNet 是一个开源的 R 包，提供基于重采样的框架，用于稳健且可解释的网络推断，旨在解决高维数据中常见的小样本量挑战。它支持估计部分相关网络（建模为高斯网络）以及用于混合数据类型（结合连续和离散变量）的条件高斯贝叶斯网络。该框架整合了多种重采样策略，包括 bootstrap、子采样和基于聚类的方法，以适应独立和相关观测。为了增强可解释性，RSNet 集成了基于图元的拓扑分析，捕获高阶连通性和边的符号信息，从而提供单节点和子网络层面的洞察。值得注意的是，RSNet 是首个能够在近常数时间内为稀疏网络高效构建带符号图元度向量矩阵（GDVMs）的 R 包，从而实现对高阶网络结构的可扩展分析。总的来说，RSNet 为高维数据中统计可靠且可解释的网络推断提供了一个多功能工具。

## 提交历史

来自: Stefano Monti \[查看邮件 (https://arxiv.org/show-email/6ba3184d/2605.12706)\] **\[v1\]**2026年5月12日星期二 20:08:46 UTC (272 KB)

相似文章

几何感知R结构Kolmogorov-Arnold网络

arXiv cs.LG

提出几何感知R结构KAN（GRS-KAN），一种将R函数集成到KAN中以编码几何和逻辑约束的混合神经架构，在含不连续性的回归基准上实现了高达67%的RMSE降低。

Schreier-Coset Graph Rewiring

arXiv cs.LG

提出了 Schreier-Coset 图重连（Schreier-Coset Graph Rewiring），一种基于群论的图重连方法，用于 GNN，通过改善谱间隙和有效电阻来缓解过度挤压问题。实验结果表明，该方法在多种学习任务中显著降低了有效电阻。

通过轻量级结构引导的自回归模型实现新型图生成的可扩展性

arXiv cs.LG

研究人员提出了一种用于图生成的轻量级自回归框架，该框架使用结构引导的拓扑排序实现了接近对数线性的复杂度，解决了现有扩散和自回归方法在可扩展性和新颖性方面的局限性。该方法同时支持LSTM和Mamba风格的主干网络，在分子和非分子基准测试中展示了改进的新颖性，同时保持了有效性和独特性。