给部分用户开放社交功能，没被选中的朋友也可能受影响。这样一来，普通 A/B 测试所依赖的“每个人只受自己分组影响”就失效了。Kandiros、Harshaw 和 Sävje 提出一套网络实验的设计型极小极大理论：不先假定结果服从某种回归模型，而是依靠随机分配机制，并寻找在最不利数据情形下仍尽量准确的方案。
论文最关键的一步，是把精度极限归结为一张“冲突图”。它记录哪些与因果效应有关的潜在结果——同一个人在不同处理安排下本会出现的结果——无法在一次实验中同时观察。作者证明，极小极大风险，也就是所有统计方法在最坏情形下能够达到的最佳精度，取决于这张图；并用图的局部和整体连接特征给出精度收敛速度的上下界。换句话说，网络连得多密还不够，真正限制实验的，是哪些关键反事实彼此冲突、注定不能同时看见。
作者还把这套界限用于直接处理效应和全局平均处理效应。论文给出的不是某个结果模型下的平均最优方案，而是一条不依赖结果模型的稳健底线。