提出一种称为几何块模型(Geometric Block Model)的新随机图模型来捕捉许多社区检测问题的内在几何特征,并证明在这个模型中使用简单的三角计数算法是近乎最优的。
Sep, 2017
使用新的随机图模型 —— 几何块模型,基于随机几何图,拓展了社区检测模型,提供了新的连通性结果和效率条件,引入简单的三角形计数算法检测成功恢复潜在社区。
Jun, 2022
本文主要研究了随机块模型的聚类问题和主动学习的应用,发现在一定条件下,即使在聚类阈值以下,仅仅采样少量的节点标签,也能高概率地完成完整的社区检测,所提供的高效学习算法能够很好地验证这一理论,并通过数值实验进行了验证。
May, 2016
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
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
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
该研究利用稀疏的随机块模型,探究了节点和网络信息的相互作用,证明了一定的阈值可实现高效的局部聚类,而节点信息对恢复性能的影响在阈值以下是很小的。
Apr, 2014
本研究考虑在具有二元社区标签和 R^d 值位置标签的欧几里得随机几何图上进行社区检测问题,其中边缘概率依赖于社区和位置标签。我们针对稀疏和对数度规则建立了相变现象,并给出了阈值的约束。此外,我们还展示了在我们的模型与没有社区标签的空模型之间进行测试的可区分性问题的阈值没有相变现象,并且特别地与 SBM 不同。
Jun, 2017
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