实验参数

参数说明

p: 精度矩阵维度（节点数）。控制变量个数，越大计算和样本需求越高。示例常用 20–100。
n_samples: 时间序列长度（样本数 T）。影响估计稳定性与 Glasso/节点回归的有效样本数。
gamma_list: 控制图强度的列表（影响 W 的规模和 Laplacian）。值越大，变量间交互越强。函数会对每个 gamma 生成一次真实 Theta。
sparsity: 生成图的稀疏程度（edge 密度）。0–1 之间，越小越稀疏（例如 0.05–0.2 常见）。
alpha_time: 时间动力学项 alpha（用于生成 A = I - alpha * L 及 temporal prediction）。值很小（如 0.01–0.05）表示较弱的时间耦合。
lam_list: 正则化参数列表（用于 Glasso 与 nodewise Lasso）。会逐个测试；Glass0 的 alpha 对应稀疏强度，取值范围通常 0.01–1。注意 nodewise 的实际正则化在代码中还按 sqrt(2 ln p / n) 缩放。
noise_list: 加入到生成 X_time 的高斯噪声标准差列表（数据噪声强度）。
P_list: 多节点预测中“缺失/要预测”的节点数列表（每个试验选择 P 个 missing）。必须小于 p。P=0 表示不缺失（但意义较小）。
test_ratio: 训练/测试分割比例（用于 time-series；测试集大小 = floor(n_samples * test_ratio)）。
repeat_multi: multi-node 随机模式重复次数（每个 P 随机采样 repeat_multi 次以估计平均 MSE）。
seed: 随机种子（用于可复现的图和数据生成）。若希望完全可重复，要在所有生成函数中使用固定 seed。
save_csv: 输出结果 CSV 文件名。
参数如何在代码中被使用（关键点）

gamma_list、sparsity → 通过 generate_theta_with_correlation 生成真实 Theta/L/W。
n_samples、alpha_time → 通过 generate_temporal_data_from_graph 生成时间序列 X_time 和 A_true。
lam_list 中每个 lam → 同时喂给 estimate_glasso_sklearn 与 nodewise_lasso_precision（注意 nodewise 内部有额外缩放）。
P_list → 在 multi_node_prediction_mse_on_test 中作为不同缺失数目循环。
test_ratio 决定 train/test 切分点（时间顺序，不打乱，除非 shuffle=True）。
repeat_multi 决定多节点预测的随机重复次数（seed=None 表示每次不同随机抽样）。
如何调整参数完成实验（建议）

若要做单因素扫参（例如不同 lambda）：把 lam_list 设为想测的值列表；保持其他参数固定，运行一次脚本。
做网格搜索（gamma × lambda × noise）：在 gamma_list 与 lam_list 与 noise_list 中放多个值，脚本会穷举组合并把每次结果追加到 CSV。
控制计算规模：减小 p 或 n_samples，或缩小参数组合数量（避免组合爆炸）。
可复现性：固定 seed 并避免 shuffle=True，或把 rng 种子统一传入子函数。
避免数值问题：若 Glasso 报错，代码已实现指数回退（increase alpha）和 Ledoit-Wolf 备份；若经常发生，尝试增加 lam、增加 n_samples 或降低 p