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

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

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

本文利用统计物理的空穴方法，对社交和生物网络中的随机块模型进行了研究，从拓扑学的角度来推断功能群或社区。我们详细描述了一些性质，例如检测性 / 不可检测性的相变和社区检测问题的易于 / 困难的相变，并将分析自然翻译为信念传播算法。该算法在最优方式下推断节点的组成员资格，并学习该块模型的潜在参数，最后应用于两个真实世界的网络并讨论其性能。

Sep, 2011

提出了一种基于受限 Tweedie 分布的创新的随机分块模型，用于模拟国际贸易网络中的非负零膨胀连续边权重，并结合节点信息和其对边权重的动态影响，实现了有效的两步算法来估计协变效应和其他参数，并通过广泛的模拟研究和真实的国际贸易数据的应用证明了该方法的有效性。

Oct, 2023

该研究介绍了如何使用贝叶斯非参数理论来建模并分析复杂网络，特别是使用无限混合模型作为案例来演示，包括通过马尔科夫蒙特卡罗推断模型参数，并通过检查模型的适配性和预测性能来验证模型。

Dec, 2013

本文提出了基于上下文随机块模型的半监督社区检测，并使用置信传播算法解决推断问题。研究表明，与已有的图神经网络相比，该算法性能更优，因此该模型可用于开发更高效的图神经网络 。

Jun, 2023

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

通过基于吉布斯先验的扩展随机块模型（ESBM），本文研究了包含测量误差、未知核 - 边缘、同类与异类结构的隐藏式犯罪网络的组结构学习问题，并针对各类不确定性提出了更准确的建模、估计和预测策略，其中以 Gnedin 过程为先验的 ESBM 表现出较高的准确性。

Jul, 2020

本文通过对稀疏图上的推理问题的描述和分析，研究了随机块模型的相变以及在信息论上最优化问题变得容易但是在计算上仍具挑战性的的混合硬相位，并阐明了消息传递算法的贝叶斯最优性及其在这些问题中的作用，并通过数值模拟验证了该方法的有效性。

Jun, 2018