Westfall-Young light 是一种用于检测在两个类别中统计显著富集的样式（例如项集和子图）的新算法，通过 Westfall-Young 排列过程，它通过严格纠正多重假设检验和模式之间的相关性，通过排列经验估算每个类别中模式频率的空值分布，不需要为每个排列重新求解基础频繁项集挖掘问题，也不需要存储所有频繁模式的出现列表，在流行的真实世界基准数据集上，该方法显著优于当前最先进的方法，可以大大减少处理大型数据集的运行时间和内存成本。

Feb, 2015

这篇论文介绍了基于假设的图采样和假设测试框架，通过路径假设感知采样方法 PHASE 提高准确性和时间效率。实验证明，该框架能够有效利用常见的图采样方法进行假设测试，并且在准确性和时间效率方面具有优势。

Mar, 2024

本文针对大型图形的两样本检验问题，比较和探讨现有的理论检验方法及其自举变体的实际优劣，并提出两种运用渐近分布的新的检验方法，其较现有方法具有更低的计算复杂度和更高的可靠性。

Nov, 2018

通过 Bayesian 网络的生成模型和新颖的趣味度量，我们的方法能够从交易数据库中直接高效地推断出最有趣的项目集，并且在多个真实世界的数据集上取得与现有先进算法相当甚至更好的效果。

Oct, 2015

使用小子图的观察频率之间的关系，提出了一种基于三节点子图频率的社区结构存在简单检验方法，该方法能够在网络引导模型的零假设下，显示出渐近正态的检验统计量，并在纠正度量复合备选假设下具有接近于一的功率，此外，该方法亦可用于多元高斯数据的检验，并应用于社交网络、科学文章的引用网络和标普 500 公司之间的股票回报率的检测。

Oct, 2017

FSR 算法通过使用少量重采样数据集来识别统计显著模式，并在发现显著模式时提供严格的假阳性概率保证。

Jun, 2024

提出了一种新的理论框架，通过测量项集的属性（如闭合性或不可导性）的稳健性来进行模式压缩，以减少模式挖掘中的模式爆炸问题，并演示了如何在不抽样数据的情况下分析地计算稳健性。

Feb, 2019

通过将联通子图嵌入到线性矩阵不等式（LMI）中，可以计算与联通子图相关的合适目标的优化。我们通过最优化凸目标函数解决了联通性的组合问题，并证明我们的测试对于指数族分布的一维和二维晶格是 Minimax 最优的。我们展示了联通子图族的内部导电对于表征可检测性扮演了重要角色。

Nov, 2014

我们提出了一个通用的框架，用于构建针对大类非参数测试问题的强大的连续假设检验。该框架可以统一处理多个经典任务，如双样本测试、独立性测试和条件独立性测试，以及现代问题，如对机器学习模型的对抗鲁棒性测试。我们的方法对传统批量测试具有以下优势：1) 它持续监控在线数据流并有效地聚合针对零假设的证据，2) 它在不需要多重测试校正的情况下对类型 I 错误进行严格控制，3) 它根据问题的未知难度调整样本大小要求。我们在测试通过投票框架（testing-by-betting framework）中利用机器学习模型的表示能力方面开发了一种基于原则的方法，这是一种用于设计连续测试的博弈论方法。在合成和真实数据集上的实证结果表明，使用我们的通用框架实例化的测试在多个任务上与专门的基准测试相竞争。

Oct, 2023

研究使用小子图的观察频率之间的关系来测试网络结构的问题，证明了在 Erdős-Rényi 空模型下的 T2，T3 的中心极限定理，并分析了与一般类别的替代模型相关的 χ2 检验统计量的功率。

Apr, 2017