该论文研究了一种用于异质性网络数据的混合模型：随机块模型，提出了一种基于经验度数数据的分类、估计和模型选择算法，并证明了该算法能够在处理非常大的网络数据时获得一致的估计结果和分类效果。

Oct, 2011

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

本文介绍一种新的 Overlapping Stochastic Block Model 方法，相对于现有的大多数聚类方法，允许节点属于多个重叠的群集，具有更高的灵活性和适用性，采用全局和局部变分技术的近似推断过程。

Oct, 2009

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

本文提出了一种新算法 —— 最大似然凸化版本，用于解决在随机块模型环境下的社交网络图聚类问题，相较于目前已有算法，本文算法在允许普遍规模的簇大小时的表现高出多项式因子。

Oct, 2012

本文介绍了利用贝叶斯推断从网络数据中提取大规模模块化结构的方法，重点介绍了基于随机块模型（SBM），以及其度修正和重叠推广。提供了一种允许防止过度拟合，实现模型选择的非参数公式。讨论了先验选择的方面，特别是如何通过加强贝叶斯层次结构来避免欠拟合，同时描述了执行单点估计和采样网络分区的有效算法。还展示了如何利用推断 SBM 来预测丢失和虚假链接，并揭示了网络中模块化结构可检测性的根本限制。

May, 2017

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

研究在平均度数与图像增长的渐近情况下，将 Erdos-Renyi 随机图模型与随机块模型进行比较的方案和方法，提出了一种线性谱统计的新方法，并构建了一系列准确的测试统计量和一类自适应测试来解决假设检验问题。

May, 2017

本研究在考虑顶点度数变化的情况下，提出了一种改进的目标函数用于复杂网络社区结构检测，并提出了一种针对此函数或其非度数校正版本的启发式算法，表明度数校正版本在真实和合成网络中的表现显著优于未校正版本。

Aug, 2010

提出了扩展随机块模型的连续时间循环交互事件模型，其中每个人都属于潜在群体，两个人之间的交互遵循由个人潜在群体驱动的条件不均匀泊松过程，证明了该模型的可识别性，其估计是基于半参数变分期望最大化算法进行的，该方法的两个版本使用非参数直方图方法 (自适应选择分区大小) 或核强度估计器，潜在群体的数量可以通过集成分类似然标准进行选择，最后，我们演示了我们的过程在合成实验上的性能，并分析了两个数据集以说明我们的方法的效用并评论了竞争方法。

Dec, 2015