本文研究了基于测度理论的交换性研究框架，并基于一种称为完全随机测度的随机过程推导了网络结构的重要性质，提出了一种哈密顿蒙特卡罗算法，实现了网络结构的后验分布探索和图形生成，并在包括社交网络、政治博客、蛋白质网络、引用网络以及互联网网络等多个真实数据集上进行检验。

Jan, 2014

介绍了一类随机图形，通过定义概率对称性：图形的每个排列都不影响其分布，使用简单的 Kallenberg 定理特化的表示定理得到其分布特征，可得期望与度分布等结构信息，研究表明其可以产生包含极少连接的图结构且某些构型可产生一个连通部分包含任意大分数的图随机图。

Dec, 2015

在高斯图模型的框架下，我们引入一种新颖的分解方法，将基础图结构分解为稀疏部分和低秩对角块（非重叠社区），并提出一个三阶段估计过程以及快速高效的算法用于识别稀疏结构和社区。通过两种建模方式展示了这种分解的重要性，并在理论层面上建立了局部可辨识性的条件，并通过构造一种有效的范数将传统的不可表示性条件拓展为自适应形式，确保自适应 l1 惩罚估计器在第二阶段的模型选择的一致性。此外，我们还为第三阶段的 K 均值聚类过程提供了聚类误差界限。通过大量的数值实验，证明了所提方法在估计图结构方面的优越性。此外，我们还将该方法应用于股票回报数据，展示了其准确识别非重叠社区结构的能力。

May, 2024

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。

Jul, 2012

使用层级 Gamma 过程无限边划分模型描述同配性和随机等价关系，可以发现重叠社区和社区间交互作用，并自动推断社区数量，实验结果表明其可扩展性和最先进性能。

Jan, 2015

本文提供了第一个信息理论的紧密分析，以推断与相同潜在社区相关的高维节点协变量的稀疏图中的潜在社区结构。

Jul, 2018

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

本研究提出了一种新模型 —— 基于度量空间的几何随机图，用于替代传统的离散社区结构模型，并讨论了在稀疏情况下对该模型的位置恢复问题，同时对一种树的信息流模型进行了改进和定理研究。

Jun, 2020

在研究中，我们介绍了一种适用于大规模稀疏网络的直观客观函数来量化聚类结果的质量，并且通过模拟网络的优化试验和基准问题的应用来证明了这种方法的实用性和准确性。

May, 2024

该研究使用最小描述长度标准和后验概率比方法，基于统计学推断从许多生成模型中选择最佳的模型，结果表明，节点内部的属性通常比群体属性更重要，度修正模型通常是大多数无权网络的最佳模型。

Sep, 2014