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

本文提出了用于网络中的聚类分析的一种新方法，利用谱聚类在随机块模型中发现社区和研究潜在空间模型下的特征向量。

Jul, 2010

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

研究了三个网络的概率模型：随机块模型中的社区检测，随机几何图的嵌入以及优先附着树中的初始顶点，并探讨了很多与概率论相关的有趣话题，如泊松瓮，大偏差理论、高维度测度集中、熵集中极限定理等。

Sep, 2016

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

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

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

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