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
本文探讨了利用基于谱聚类或低秩矩阵分解的中间融合方法,结合多层网络的信息来估计共识社区结构的问题。在高维设置下,它们可以有效地一致且精确地估计社区结构。
Apr, 2017
研究了随机块模型中谱聚类在社区提取中的性能表现,并表明在最大期望度数的阶数为 $log~n$ 时,谱聚类应用于网络的邻接矩阵时,即使度数很小,也可以一致地恢复出隐藏的社区。
Dec, 2013
本文针对网络重叠社区问题,结合非负矩阵分解和混合成员随机块模型,提出了一种称为 GeoNMF 的计算机算法,能够在广泛的参数范围内实现唯一解,保证了算法的精确性和一致性。经过模拟和真实数据集上的实验,证明了该算法的准确性。
Jul, 2016
本文研究在通用随机块模型下的实际网络社区层次结构,使用基于非标准化图拉普拉斯矩阵的菲德勒向量的标准递归双分割算法,并在广泛的模型参数范围内证明了该方法的强一致性,包括节点度数 $O (log n)$ 的稀疏网络和连接概率相差几个数量级的多尺度网络。此外,论文通过对合成数据和现实世界例子的演示,展示了算法的性能问题。
Apr, 2020
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
本研究提出了一种基于 High-Order Proximity 的 Symmetry and Graph-regularized NMF (HSGN) 模型,结合加权点间互信息的方法来衡量网络中节点之间的高阶连接并通过对称性和图正则化的 NMF 算法来准确检测社区,实验表明这种方法比现有的基准和最先进的社区检测方法的表现更优。
Mar, 2022
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
研究随机图中将顶点划分为块的谱技术,通过修改邻接谱分区算法,只需估计通信概率矩阵的秩上限,从而在模型错配的情况下实现一致性,也适用于具有多种模态的邻接表以及有向或无向的图。
May, 2012
该研究提出了基于稀疏线性系统和两阶段阈值和压缩感知算法的社区检测问题解决方案,在较小计算量内有效地在 Stochastic Block Model 模型的随机图数据以及真实数据集上实现图的划分。
Aug, 2017