本研究比较了标准随机块模型和修正度随机块模型下的几种社区检测准则，发现基于修正度随机块模型的方法在更广泛的模型和约束条件下具有一致性，但实际上它涉及到估计更多的参数，只有当社区内的节点度数确实高度变化时才值得使用。

Oct, 2011

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

本文提出了一种基于凸规划松弛和新的双重加权 $k$- 中位数方法的凸化模块化最大化方法，用于估算 DCSBM 下的隐藏社群，通过实验结果表明本方法相对于文献中现有的最先进方法具有竞争力的性能表现。

Dec, 2015

本研究提供一个通用 minimax 理论来解决社区检测问题，在广泛的设置中给出了 mis-match ratio 的 minimax 速率，包括同质和非同质 SBMs，密集和稀疏网络，有限和不断增长的社区数量。研究使用了一系列的惩罚最大似然方法来获得一个上界，并通过交换性质将全局 mis-match ratio 降至一个本地聚类问题来实现一个下界。结果同时阐明了在强一致性（精确恢复）和弱一致性（部分恢复）方面的阈值现象。

Jul, 2015

该研究从信息论的角度考虑了在多个可能相关的图上的社区检测问题。通过建立多视图随机块模型 (MVSBM)，我们得出了一个信息论的上界和下界，当 MVSBM 的模型参数超过某个阈值时可以实现准确的社区恢复，否则期望的错误分类节点数将大于一。

Jan, 2024

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

本文介绍了一种用于建模有向加权网络的方法 ——Directed Distribution-Free model，它可以更好地解释在多个领域中出现的块状结构，并使用带有理论保证的谱算法来识别社区。

Sep, 2021

提出了一种名为 SCORE 的基于特征向量比率的谱聚类算法，用于通过比较网络的前 K 个特征向量之间的分量比率来检测社区。与传统的谱聚类和模块度方法相比，该方法在计算速度和准确率上均有很好的表现，并且在随机矩阵理论 (RMT) 框架下可稳定地产生一致的社区检测结果。

Nov, 2012

该论文介绍了 D-SCORE 算法，用于大型社交网络中的社区检测，通过对邻接矩阵的奇异向量进行元素级别的比率来降低节点度量异质性的影响，理论上证明了这种算法及其变体在有向去噪格子模型下的性能对其进行了显着的改进，同时提供了在社区核外部分添加节点的新方法。

Aug, 2020

本研究将随机块模型扩展到广义随机块模型，提出了一种使用凸优化和 k 均值算法的程序，用于在存在离群节点的情况下，准确检测社区的聚类。

Apr, 2014