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

研究了随机块模型在网络数据分析中的应用，采用最大似然拟合方法，当类别数量允许随着网络规模的增加而增加，且平均网络度数不小于对数多项式时，网络节点误分类的比例会以概率为零收敛。同时对由伯努利随机变量组成的数据，建立了最大似然块模型参数估计的有限样本置信区间，在分类分配方面具有一致性。最后通过 Facebook 个人资料的网络数据示例，拟合了具有协变量的随机块模型的 logit 参数化，得出了残余结构的块估计结果。

Nov, 2010

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

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

该研究利用稀疏的随机块模型，探究了节点和网络信息的相互作用，证明了一定的阈值可实现高效的局部聚类，而节点信息对恢复性能的影响在阈值以下是很小的。

Apr, 2014

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

这份论文调查了随机块模型在社群检测中的基本极限，研究其信息理论和计算统计学等问题，列举了几种主要算法用于实现这些极限，并探讨了其他块模型以及一些待解决的问题。

Mar, 2017

研究一种用于不规则网络与潜在属性的随机图模型，提出了一种计算有效性的光谱算法并展示了其可在部分可观察网络下进行渐近正确的推测，作为其分析的副产品，该模型提供了一种构建具有预先指定的特征谱的随机图模型的通用程序。

Jun, 2014