本研究比较了标准随机块模型和修正度随机块模型下的几种社区检测准则，发现基于修正度随机块模型的方法在更广泛的模型和约束条件下具有一致性，但实际上它涉及到估计更多的参数，只有当社区内的节点度数确实高度变化时才值得使用。
Oct, 2011
本文针对网络模型选择面临的数据稀疏、公共依赖、高维度和大量潜变量等挑战，通过研究将图分为一致连接模式的节点块的关键网络分析问题来说明这些挑战及其解决方法，提出了一种基于新的大图渐近分布对随机块模型的对数似然比分布的模型选择方法，发现在稀疏图中与经典结果存在显著差异，同时开发了度校正模型的对数似然的线性时间逼近算法，并在模拟和真实网络中的应用中表现出与我们的逼近算法极好的一致性。
Jul, 2012
该论文提出了一种强大、可扩展、综合的图中社区检测和比较方法，首先将图嵌入到一个适当的欧几里得空间中以获得低维表示，然后将顶点聚类成社区，并应用非参数图推理技术识别这些社区之间的结构相似性，然后可以递归地应用这两个步骤到社区上，以检测更细粒度的结构。最后，在模拟和真实数据上证明了该算法的有效性。
Mar, 2015
本文介绍了一种用于建模有向加权网络的方法 ——Directed Distribution-Free model，它可以更好地解释在多个领域中出现的块状结构，并使用带有理论保证的谱算法来识别社区。
Sep, 2021
通过将节点属性数据纳入超图中的社区结构学习，本研究提出了一种统计框架 HyperNEO，可以增强合成和实际超图中社区结构的学习效果，同时将使用随机块模型等模型获得的学习表示应用降维方法 UMAP 可以将节点映射到二维向量空间，从而在实际超图中部分保留社区结构，促进了对实际复杂系统中高阶社区结构的研究和理解。
Jan, 2024
本文利用统计物理的空穴方法，对社交和生物网络中的随机块模型进行了研究，从拓扑学的角度来推断功能群或社区。我们详细描述了一些性质，例如检测性 / 不可检测性的相变和社区检测问题的易于 / 困难的相变，并将分析自然翻译为信念传播算法。该算法在最优方式下推断节点的组成员资格，并学习该块模型的潜在参数，最后应用于两个真实世界的网络并讨论其性能。
Sep, 2011
文章介绍了一种新的称为 `加权随机块模型` 的社区检测方法，能够从加权网络中学习社区结构并预测未来的互动。
Apr, 2014
提出一种称为几何块模型（Geometric Block Model）的新随机图模型来捕捉许多社区检测问题的内在几何特征，并证明在这个模型中使用简单的三角计数算法是近乎最优的。
Sep, 2017
本文提出了一种新的快速伪似然法来拟合社区内网络模型，以及一种允许任意度数分布的变体，并且在一系列设置下表现良好，并使用其提供了一个初始化值伪似然估计，其中伪似然估计在两个社区块模型的情况下提供了一致的估计。
本文提出了一种基于贝叶斯方法的加权随机块模型，可以用于推断加权网络的大规模模块结构，方法为无参数方法，使用数据来推断模型中的群组数量和其他维度，并提供了不同种类的边权（如连续或离散、有符号或无符号、有界或无界等）以及任意权重转换的综合处理。作者还描述了无监督模型选择方法来选择最佳网络描述，并且将该方法应用于各种实际加权网络，例如全球移民、国会中的投票模式和人类大脑中的神经连接。
Aug, 2017