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

本文研究随机块模型中社区的分割和恢复问题，通过新的分歧函数来确定恢复阈值并提出了一个复杂度为准线性的算法来恢复社区，即使带有重叠部分的多个社区也可以进行恢复和检测。

Mar, 2015

该论文证明了随机块模型的一个猜想，提出了一种非对称的社区检测算法，并将其与信念传播和谱方法联系起来，同时展示了信息论计算差距在其中的应用。

Dec, 2015

该文章探讨了在随机超图模型中用于社区检测的随机块模型问题（k-SBM），研究了正确定位问题并表明其存在阈值现象：在阈值以下不可能以非零概率找回社区，而在阈值之上，有一个估计器几乎可以确定性地找回社区。作者还考虑了一种基于半定松弛技术的精确恢复问题的简单有效算法。

Jul, 2018

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

本文提出了一种基于无参数贝叶斯方法的微正则随机块模型，旨在同时改善深入贝叶斯层次结构的推断以及模型选择能力，以推断网络的模块结构和层次组织，并介绍了一种高效的推理算法。

Oct, 2016

本文讨论了随机块模型的精确恢复问题，提出了一个基于半定规划松弛的高效算法，并找到了一个能成功恢复社区的尖锐阈值现象，该算法可以在该阈值上成功地进行聚类。

May, 2014

通过奇异学习理论，我们研究了超位叠加玩具模型中的相变。我们导出了理论损失的闭合公式，并在两个隐藏维度的情况下发现正则 k - 边形是临界点。我们提出了支持理论，表明这些 k - 边形的局部学习系数（一种几何不变量）决定了贝叶斯后验随训练样本大小的相变。然后，我们通过实验证明，这些 k - 边形临界点也决定了 SGD 训练的行为。综合所得的结论支持了一种 SGD 学习轨迹受顺序学习机制影响的猜想。具体而言，我们发现 TMS 中的学习过程（无论是通过 SGD 还是贝叶斯学习）可以被表征为在参数空间中从高损失低复杂度区域到低损失高复杂度区域的旅程。

Oct, 2023

我们证明了 Evans，Kenyon，Peres 和 Schulman（2000）的猜想，该猜想表明有限内存的消息传递算法在重构问题上在统计上比置信传播要弱得多，并且通过将递归重构、信息论和最优输送的工具结合起来，还建立了 BP 和其他消息传递算法临界阈值附近的渐近正常性结果。

May, 2019

研究了一种算法上难解的相位（hard phase）在推理问题中的表现，特别是在低秩矩阵分解问题的情境下，发现当信噪比低于信息熵的阈值时，后验概率由指数数量的玻璃态组成，AMP 算法的表现在处理这种玻璃态时并没有得到改善。

May, 2018