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

本文提出了在假设检验中对比 Facebook 和 LinkedIn 上的友谊网络的解决方案，利用网络统计学衡量网络。通过对网络统计学的集中度进行通用表述，揭示了一个自然的对策，实现了一致的双样本测试。本文还证明，对于某些网络统计量，所提出的测试是最小最优的。

May, 2017

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

本文旨在从几何和高维统计推理的概念和技术入手，通过对图拉普拉斯矩阵空间的精确定义和 Fréchet 的非参数平均概念，为功能神经成像数据的网络构建提供一种新的全局测试方法，并展示了其相较于基于无差别分析的单变量方法更具统计学优势的全局测试方法。此外我们还给出了一种可视化每条边对于总测试统计量的单独贡献的方法。

Jul, 2014

本文研究了 Bayesian 网络的身份测试和相似性测试的性质，提出了第一个非平凡的高效测试算法，并给出了相应的信息理论下界，其测试样本复杂度在维度上是亚线性的，适用于各种参数设置，是样本的最优解，直到常数因子。

Dec, 2016

本文系统总结了图采样的目标和方法，并对其关系进行了形式化论证，提供了将理论分析与实际应用桥接的通用框架。通过研究哪些图属性在采样过程中得以保留，展现了一种构造高效估算器的方法，并可以加速一类图算法的实现。此外，文章还讨论了一些高级属性，同时指出了该领域中尚有许多未被探索的问题及未来的研究方向。

Aug, 2013

通过对八个流行图形基准数据集进行实证调查，本文回答了一个开放性问题，即排除无法测试的假设是否也会提高子图挖掘的统计功率，并提出了一种新的高效搜索策略，极大地提高了统计功率。

Jul, 2014

本文提出了一个网络抽样的框架，此框架能从静态到流式的完整的计算模型范围内，基于图诱导设计了一系列通用的采样方法，并证明此系列采样方法可以更准确地保留输入图的拓扑特性，研究了网络采样算法对关系分类算法参数估计和性能评估的影响。

Nov, 2012

本文介绍了一种分布无关的基于图形的双样本检验方法，并提供了分析和比较其渐进性质的统一框架。该文章研究表明底层图形的组合特性对关联的双样本检验的性能产生影响，并且可以用于验证和决定在实践中使用哪种检验。

Aug, 2015

本文以最小极小值检验的角度考虑解决在高维信息检测中，两个离散随机图集合的假设检验问题，并提出了 Frobenius 范数和算子范数算法，能在小样本量下有效地求解较为稀疏的两种份离散图模型问题。

Jul, 2017