变量网络结构可用来反映多个变量之间的相互作用，常见于各领域研究。为探索不同网络间的影响关系，可将回归模型拓展至网络结构。本项目针对网络对网络的回归分析，构建模块化网络回归模型，通过连接模块识别、连接特征提取及回归关系的联合估计，保留网络结构的连接特征，增强结果的可解释性。并在此基础上，围绕管理科学中常见的中介效应和异质效应对模块化网络回归展开进一步探索，回答网络结构之间从“是否有影响”到“如何影响”和“影响有何不同”的关键科学问题。

在健康中国战略下，临床结局分析与预测对提升医疗效果与效率有决定性意义。现存研究在方法及数据上有显著局限，难以应对多病共存下的复杂关联性、时序动态性、跨域异质性等挑战。本项目将围绕“多疾病－多结局－多时期”复杂场景，以网络分析，深度学习，信息迁移，正则化等为技术基础，在全疾病框架下开展临床结局分析与预测研究。本项目将在统计模型，渐近理论，算法及软件，数据分析等方面解决如下问题：（1）在有向网络辅助下，融合多源信息，对时序零膨胀/非正态结局进行动态预测；（2）对于复杂数据（包括多结局联合分析、个体协变量及群体结构校准）建立回归辅助深度学习方法；（3）提出信息迁移方法，泛化跨域数据中的有效信息，提高分析准确性和预测能力；（4）进行医保数据实证研究，在全疾病、特定疾病群、特定区域场景下进行网络分析与预测。本项目将产出一套可广泛应用的时序网络数据分析方法；分析结果将对提升医疗效果与效率提供决策支撑。

研究对象间网络结构关系的存在违背了传统研究中的个体独立假设，为因果推断研究在复杂场景下的科学性和有效性带来挑战。本项目以构建网络结构数据的因果推断分析体系为目标，围绕两方面展开探索：第一，在“试验性评估模式”下，立足随机分配的合理性和经济性需求，分别讨论针对网络结构数据的协变量平衡设计和响应变量自适应设计，构建与之相对应的效应检验流程；第二，在“观察性评估模式”下，遵循模型驱动和不依赖模型的效应估计思路，分别构建考虑网络结构的潜在响应变量预测模型及分布平衡加权调整策略。本项目在方法研究的基础上探索评估辅助工具，为研究者构建理论齐备并具可操作性的网络结构数据因果推断分析体系。

点过程是一种重要的随机过程模型，用于建模事件发生模式。随着深度学习的兴起，传统的统计点过程逐渐演化为深度点过程，具备了更强的表达能力。然而，目前的深度点过程主要处理简单的事件时间和类型信息，尚不能有效处理和生成多模态事件数据。这主要源于多模态深度点过程在数据融合、高效建模及训练优化等方面的多重挑战。本项目将以多模态深度点过程为研究对象，聚焦于以下三个研究方向：（1）多模态深度点过程的数据融合；（2）多模态深度点过程的超长序列建模；（3）多模态深度点过程的训练优化。旨在开发一整套针对多模态深度点过程的数据处理、建模及训练系统，推动深度点过程在多模态数据场景下的广泛应用。

本项目致力于在弱化条件下研究高维复杂数据的检验以及非欧空间数据分布检验，旨在提升检验的有效性和适用范围。

在线健康语料是重要的医疗大数据资源，具有混杂性、层次性、多源性和时变性，给传统网络分析方法带来巨大挑战。针对在线语料的独特属性，该项目将进行以下四方面的研究：一是基于网络连接差异提出带惩罚的混合聚点模型，对发帖与节点词进行双重聚类分析，多角度研究在线语料的内在结构以应对混杂性；二是研究针对节点词社区的带权树状图，并通过惩罚方式估计语义网络简洁的层次结构；三是融合多源语料基于潜空间模型研究多层网络间的局部相似性，分析平台间信息流动与疾病间相互关系；四是基于网络自回归模型融合节点特征，进行动态语义网络研究，探究疾病认知的动态演化过程。经过系统性分析，本项目旨在挖掘在线健康平台语料的深层规律，以期为优化在线健康干预策略、提升医疗服务质量等健康管理实践提供理论参考。