比较网络模型，有点像让两名学生做题：一人只会基本解法，另一人套路更多，后者往往更容易碰巧答对。普通交叉验证——留出一部分数据当考题——因此可能偏爱更复杂的模型；网络中的关系还会因共享节点彼此关联，随意切分也容易泄漏答案。
Bokai Yang 等人的做法，是用边采样交叉验证：抽出一部分节点对或边作为验证对象，其余网络用于拟合，节点集合保持不变。最关键的一步，是在验证损失上再加模型复杂度惩罚，让复杂模型为额外自由度付出代价，从而缓解嵌套模型——简单模型可视为复杂模型特例——之间的过拟合选择。
据 arXiv 页面介绍，该框架比较了 stochastic block model（按群组描述连接规律）、degree-corrected SBM（进一步允许节点活跃度不同）和 graphon 等模型。作者还在相应假设下证明：样本增大时，选中真实模型的概率趋近于 1，并报告了模拟实验及 Political Books 网络评估。不过供稿未提供具体实验数字，实际改善幅度暂不宜展开判断。