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

这篇论文主要研究了重叠社区检测的问题，并提出了一种新的估计方法，以及建立了估计误差的下界。

Jul, 2023

本文针对标记随机块模型中的社群检测或聚类问题研究了一种基于谱方法的算法，通过观察随机标签，找到至多 s 个错误分类项的聚类算法，并给出了该算法的时间复杂度为 O (npolylog (n))。

Oct, 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

该研究提出了一种用于聚合来自不同信息源的多个聚类的原始方法，使用多层随机块模型（SBM）的混合来将具有相似信息的共成员矩阵分组为组件，并将观测分割为不同的聚类，考虑它们在组件内的特定性。该方法对模型参数的可识别性进行了建立，并提出了一种变分 Bayesian EM 算法来估计这些参数，通过贝叶斯框架选择了最佳的聚类和组件个数。该方法在合成数据、共识聚类和基于张量的大规模复杂网络社区检测算法上进行了比较，最后将该方法应用于全球食品贸易网络的分析，得到了有趣的结构。

Jan, 2024

本文研究了学习社区并提供了鲁棒性恢复算法来解决 SBM 中建模误差的问题，SBM 广泛用于各个领域中的社区检测和图划分。我们考虑了两种 adversarial error，并回答了一个开放性问题，证明了我们的算法即使在 k>2 的情况下也可以实现几乎精确的恢复，并证明了我们的算法不仅适用于 SBM 生成的图，还应用于与 SBM 在 Kullback-Leibler 散度上相似的任何图分布。

Nov, 2015

在无监督学习中，图聚类是一个重要的主题，也有很多实际应用。最近，多视图图聚类因其适用于可访问多个数据源的现实世界实例而受到关注。本文我们正式提出了一种新的模型族，称为 “多视图随机块模型”，用于捕捉这种情况。对于该模型，我们首先研究了在多个图的并集上有效的算法。然后，通过分析每个图的结构，引入了一种新的高效算法，证明其优于先前的方法。此外，我们通过信息理论的下界研究了在该模型中可以实现的极限，并通过实验评估结果证实了我们的结果。

Jun, 2024

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