- 关于超图社区发现的最小化最大化误分类比率
本文提出了一个两步法的多项式时间算法，有利于利用超图的概率模型与第一步结果进行参数估计，以实现部分恢复的高精度聚类，并证明其在渐近性能上的好处。
- 社区对于影响力学习的重要性
本研究中，我们针对社交网络中的影响最大化问题进行研究。通过利用社区结构，我们设计了一种简单的启发式算法，在实践中有效地克服了该问题。尽管我们的算法在一般情况下的近似保证无法界定，但我们对其性能进行了实验，并在通过随机块模型生成的图中证明算法 - 来自少样本的贝叶斯估计：社群检测及相关问题
提出了一种基于低阶多项式、半定规划和张量分解的高效贝叶斯估计问题的元算法，该算法的重点在于尽量紧密（达到添加低阶项的下限），并且通常可以达到统计阈值或猜测的计算阈值。在样本复杂度方面改善了社交网络检测和混合式社交网络模型的恢复保证，并且表明 - 期望低秩随机矩阵的逐项特征向量分析
本文通过证明一类随机矩阵的特征向量的近似线性关系，为完全恢复固定堆砌模型的谱算法提供了第一种严格无修剪方法。
- 谱嵌入的统计解释：广义随机点积图
本文提出了一种新的混合成员随机块模型，使用频谱嵌入来生成节点向量表示，并通过使用高斯混合模型进行频谱聚类以及拟合保持最小体积的简单形体，可以在异 Philic 连接和消极的特定要求中提供更好的表现。
- 谱方法用于图浓度估计的收敛速率
本研究分析了一种称为通用奇异值阈值（USVT）算法的谱方法在估计 Graphon 模型中的应用，证明了其误差速率在某些情况下可以达到最小值，但在某些情况下误差较大，与社区检测的计算难度相一致。
- MM一种基于压缩感知的社团检测方法及应用
该研究提出了基于稀疏线性系统和两阶段阈值和压缩感知算法的社区检测问题解决方案，在较小计算量内有效地在 Stochastic Block Model 模型的随机图数据以及真实数据集上实现图的划分。
- 主题模型的网络方法
采用随机块模型方法，针对主题建模中存在的问题，提出了一种更具通用性和原则性的框架，该框架能够自动检测主题数和分级群集单词和文档，从而比 LDA 在统计模型选择方面提供更好的主题模型。
- 欧几里得随机图上的社区检测
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 - ICLR使用 Line 图神经网络进行监督式社群检测
使用图神经网络的有监督学习方法来解决社区检测问题，并在数据驱动和无准入下表现出比信念传播算法更好的性能，同时在实际数据集上也获得了良好的表现，此外，对于使用线性 GNN 进行社区检测问题训练的优化梯度的第一次分析也被给出。
- 带有增长度数的随机块模型的最优假设检验
研究在平均度数与图像增长的渐近情况下，将 Erdos-Renyi 随机图模型与随机块模型进行比较的方案和方法，提出了一种线性谱统计的新方法，并构建了一系列准确的测试统计量和一类自适应测试来解决假设检验问题。
- 社群检测与随机块模型
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。
- 微正则随机块模型的非参数贝叶斯推断
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。
- MM基于序数排名数据的物品分类算法
本文提出一种新的基于排名的潜在分类识别方法，通过对偏好向量的 Dirichlet 先验和变分推断，以及利用现有的社区检测算法将双部排名数据转化为单部物品相似度图，并分析一种合成序数排名模型及其与随机块模型之间的关系，然后通过将标签传播算法修 - 统计网络分析中的基本模型和问题
研究了三个网络的概率模型：随机块模型中的社区检测，随机几何图的嵌入以及优先附着树中的初始顶点，并探讨了很多与概率论相关的有趣话题，如泊松瓮，大偏差理论、高维度测度集中、熵集中极限定理等。
- 针对种植分区模型的连续性和非重构结果：密集案例
本研究通过渐近分析证明，若随机块模型中连接概率符合一定条件，则节点标签的真实估计无法与真实标签正相关，这一结论适用于固定连接概率以及随着节点数增加而连接概率下降的情况。
- 区块模型与个性化 PageRank
该研究旨在通过发现 PageRank 参数与种子集扩展问题之间的联系，提出了一种评估排名方法的原则框架，并提出了一种简单的线性分类规则用于更高阶的落点概率的种子扩展问题。
- 随机块模型下的正交对称非负矩阵分解
该论文提出了一种基于规范化拉普拉斯矩阵的正交对称非负矩阵三因式分解的方法，用于在复杂网络中进行社区检测，在包括稀疏和高度异质性的图中均表现良好，并且比现有技术表现更优。
- 随机块模型中的社区检测主动学习
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。
- 稀疏网络社区检测的信息论门限
论文提出了信息论阈值的上下界，并进一步证明了当组数较大且特定参数取值时，物理条件下的凝聚阈值是具有严格界限的，若邻居间与组间边缘概率不同，则分配问题可以解决，否则无算法可优于随机。