Community Detection in Degree-Corrected Block Models
社区发现是网络数据分析的核心问题。给定一个网络,社区检测的目标是将网络节点划分为少量的集群,这通常有助于揭示有趣的结构。本文研究度校正块模型(DCBMs)中的社区发现问题。我们首先推导出在适当的条件下,错误分类比例损失问题的渐近极小极大风险。极大极小风险取决于度校正参数,社区规模,平均内和社区之间的连接在一个直观的和可解释的方式。此外,我们提出了一个多项式时间算法自适应执行一致的,甚至渐近最优的社区检测DCBM。
2016-07-24 cs.SI math.ST stat.ML
A Threshold Constant for Exact Community Recovery in the Degree-Corrected Poisson Stochastic Block Model
本研究通过最大剖面似然估计器,为度修正泊松随机块模型确定了精确社区恢复的显式阈值常数,证明了其大于1时实现强相合恢复,并推测其为信息论尖锐阈值。
2026-09-15 math.ST stat.TH
Counting communities in weighted Stochastic Block Models via semidefinite programming
针对加权平衡随机块模型的社区数量估计问题,提出基于半定规划与GOE矩阵统计量的假设检验方法,借助半定规划函数的普适性结果构建序贯检验实现数量估计,同时给出社区估计器。
2025-02-21 math.ST stat.TH
Consistency of community detection in networks under degree-corrected stochastic block models
社区检测是网络分析中的一个基本问题,在许多不同的领域有着广泛的应用。随机块模型是一种常用的基于模型的社区检测工具,最近开发了用于检查块模型下社区检测一致性的渐近工具。然而,块模型受到其假设的限制,即社区内的所有节点都是随机等价的,并且对社区内具有枢纽或高度变化的节点度的网络提供了较差的拟合,这在实践中很常见。度修正的随机块模型被提出来解决这个缺点,并允许社区内的节点度的变化,同时保持整体块社区结构。本文建立了度修正随机块模型下社区检测一致性检验的一般理论,并比较了标准模型和度修正模型下的几种社区检测准则。我们展示了哪些标准在哪些模型和约束条件下是一致的,并比较了它们在实践中的相对性能。我们发现,基于度校正块模型,其中包括标准块模型作为一个特殊情况下,方法是一致的,在更广泛的一类模型和模块化类型的方法需要参数约束的一致性,而基于可能性的方法不。另一方面,在实践中,度校正涉及估计更多的参数,根据经验,我们发现只有在社区内的节点度确实高度可变的情况下才值得这样做。我们说明了模拟网络和网络上的政治博客的方法。
2015-03-17 cs.SI math.ST physics.soc-ph
Node-Private Community Detection in Stochastic Block Models
ESSEC Business School(ESSEC高等商学院);Yale University(耶鲁大学)
研究在纯节点级差分隐私下随机块模型中的社区检测,提出基于指数机制的节点私有估计器,证明精确恢复仍可行,并展示在稀疏条件下,对数隐私预算足以获得非平凡恢复保证,同时证明对数缩放是不可避免的。
2026-04-10 math.ST stat.TH
Weighted Distributed Estimation under Heterogeneity
本文研究了分布数据块间非均匀分布情况下的分布M-估计。提出了一种加权分布估计器,以提高所有数据块共享的公共参数的标准“分裂和征服”(SaC)估计器的效率。加权分布估计被证明是至少一样有效的,将是全样本和广义矩估计方法与后两个估计需要充分的数据访问。一个偏差减少制定的WD估计,以适应更大的数据块的数量比现有的方法,而不牺牲估计效率,和一个类似的去偏操作的SaC估计。推导了WD和两种去偏估计的均方误差(MSE)界和渐近分布,表明了去偏估计在数据块数较大时的优越性能.
2022-09-14 math.ST stat.TH
Exact recovery in Gaussian weighted stochastic block model and planted dense subgraphs: Statistical and algorithmic thresholds
本文研究高斯加权 Stochastic block model 的精确恢复问题,确定了基于信噪比的信息论阈值,证明不存在信息-计算间隙,并对比了社区检测与植入密集子图恢复的难度差异。
2024-02-19 math.PR math.ST stat.TH
Optimal Community Recovery by Spectrally Initialized Variational EM in General Stochastic Block Models
本文证明谱初始化变分EM在一般随机块模型中达到Chernoff指数级最优社区恢复,无需全局最大化,且实现一阶精确恢复阈值。
2026-10-20 math.ST stat.TH
Consistent Bayesian community recovery in multilayer networks
揭示网络中节点之间的潜在关系是网络分析中最重要的任务之一。利用各种学科的工具和技术,为不同的情况开发了许多社区恢复方法。尽管最近对多层网络中的社区恢复感兴趣,但关于估计准确性的理论结果却很少。给定一个多层,例如时间,网络和多层随机块模型,我们推导出足够的块内和块间连通性参数之间的分离的界限,以实现后验精确和几乎精确的社区恢复。这些条件是一个众所周知的社区检测的单层随机块模型的阈值相媲美。仿真研究表明,推导出的界限转化为分类精度,提高了观察层的数量增加。
2022-02-11 math.PR math.ST stat.TH
Persistent homology method to detect block structures in weighted networks
解开网络的块结构对于研究宏观特征和社区层面的动态至关重要。加权随机块模型(WSBM)是传统随机块模型的一种变体,它是为加权网络设计的,但它并不总是最优的。本文介绍了一种新的拓扑方法,通过比较加权网络的持久图来研究加权网络的块结构。我们发现不同块结构的网络的持久性图显示出不同的特征,足以区分。此外,即使使用更多随机示例或修改的超参数,也可以保留整体特征。最后,当测试潜块结构未知的随机图时,持久性图分析的结果与其加权随机块模型一致。虽然由于某些原因,这种拓扑方法不能完全取代原来的WSBM方法,但值得进一步研究。
2021-08-03 math.AT math.CO math.DS
Minimax Rates of Community Detection in Stochastic Block Models
近年来,网络分析在统计学、计算机科学、概率论和应用数学等领域得到了越来越多的关注。随机块模型(SBM)的社团检测是网络分析中研究最多的课题。已经提出了许多方法。在各种条件下得到了一些漂亮而有意义的相变结果。在本文中,我们提供了一个一般的极大极小理论的社区检测。它给出了一个广泛的设置,包括均匀和非均匀的SBM,密集和稀疏的网络,有限的和不断增长的社区数量的失配率的极大极小率。极大极小率是指数的,不同于我们在统计文献中经常看到的多项式率。结果的直接后果是建立强一致性(精确恢复)以及弱一致性(部分恢复)的阈值现象。我们得到的上界的惩罚似然型方法的范围。该下界是通过一个新的减少从一个全局的不匹配率的一个节点的局部聚类问题,通过一个交换的属性。
2015-11-16 cs.SI math.ST stat.TH
Graph Community Detection from Coarse Measurements: Recovery Conditions for the Coarsened Weighted Stochastic Block Model
University of Toronto(多伦多大学);Vector Institute(向量研究院);Arizona State University(亚利桑那州立大学)
我们研究的问题,社区恢复从粗测量的图。与完全观察到的图的社区恢复问题相反,人们经常遇到在低分辨率下进行图的测量时的情况,每个测量跨多个图节点集成。这种低分辨率的测量有效地诱导了一个粗糙的图,它有自己的社区。我们的目标是开发条件图的结构,数量和测量的属性,在此条件下,我们可以恢复社区组织在这个粗糙的图。在本文中,我们建立在随机块模型的数学形式化的粗化过程,并表征其对社区成员和连接的影响。通过这种新的设置和建模,我们表征了社区恢复的误差界。的误差界产生简单和封闭形式的渐近条件,以实现完美的粗图社区的恢复。
2021-02-25 cs.IT cs.LG eess.SP
Weighted Message Passing and Minimum Energy Flow for Heterogeneous Stochastic Block Models with Side Information
研究了一般异质随机块模型(SBM)中含有噪声或部分标签信息的社区检测的误分类错误。我们建立了一个连接的误分类率和最小能量的概念上的局部邻域的SBM。我们开发了一个最佳加权的消息传递算法来重建标签的SBM基于最小能量流和特定的马尔可夫转移阵的特征向量。在本文中考虑的一般SBM允许不等大小的社区,度异质性,不同的连接概率块之间。我们专注于如何最佳地权衡消息传递,以改善误分类。
2017-09-12 math.ST stat.ML stat.TH
Exact Community Recovery in Correlated Stochastic Block Models
Northwestern University(西北大学);Princeton University(普林斯顿大学)
我们考虑从多个相关网络中学习潜在社区结构的问题。研究了具有两个平衡社区的边相关随机块模型,重点研究了平均度与顶点数成对数关系的情形。我们的主要结果得出了精确的信息理论的阈值,使用多个相关图的确切社区恢复。该阈值捕获社区恢复和图匹配任务之间的相互作用。特别是,我们发现和表征的参数空间,其中精确的社区恢复是可能的,使用多个相关的图形,即使(1)这是信息理论上不可能使用一个单一的图形和(2)精确的图形匹配也是信息理论上不可能的。在这个制度中,我们开发了一种新的算法,仔细综合算法从社区恢复和图匹配文献。
2022-03-29 cs.IT cs.LG cs.SI
Pairwise Covariates-adjusted Block Model for Community Detection
针对传统随机块模型(SBM)同社区节点随机等价假设的局限性,提出纳入成对协变量的PCABM模型,设计高效求解的SCWA算法并证明其一致性,还提出模型与特征选择算法,在多类网络中表现优于SBM和DCBM。
2023-05-01 math.ST stat.AP stat.ME
Bayesian nonparametric community detection in assortative stochastic block models
University of Torino(都灵大学);Collegio Carlo Alberto(卡罗阿尔贝托学院)
本文研究了在 assortative 随机块模型中通过贝叶斯非参数方法进行社区检测,探讨了 assortativity 约束对社区检测的影响,并通过模拟研究验证了其有效性。
2025-11-24 math.PR math.ST stat.ME
Dynamic Network Sampling for Community Detection
我们提出了一个动态的网络采样计划,以优化块恢复随机块模型(SBM)的情况下,它是昂贵的,以观察整个图。从理论上讲,我们提供了我们提出的最佳动态采样方案的理由,通过最佳动态采样信息。实际上,我们评估的性能,块恢复,我们的方法在几个真正的数据集从不同的域。理论和实践结果表明,我们的方法可以确定的顶点,有最大的块结构的影响,使人们可以只检查它们之间是否有边缘,以节省大量的资源,但仍然恢复块结构。
2022-12-16 cs.SI math.ST stat.CO
Phase Transition in the Generalized Stochastic Block Model
研究了广义随机块模型(GSBM)中的社团结构检测问题。通过对经验谱分布的Stieljtes变换的分析,证明了GSBM的最大本征值存在一个BBP型跃迁。对于特定的模型,如一个隐藏的社区模型和一个不平衡的随机模型,我们提供了两个最大的特征值的精确公式,建立在BBP型过渡的差距。
2022-06-20 math.PR math.ST stat.TH
Fundamental limits of community detection from multi-view data: multi-layer, dynamic and partially labeled block models
本文通过统一理论框架研究多视角数据(多层、动态、部分标注块模型)中社区发现的互信息与尖锐恢复阈值,并提出基于近似消息传递的迭代算法。
2024-01-16 cs.IT cs.SI math.IT
Dynamic clustering for heterophilic stochastic block models with time-varying node memberships
本文提出KD-SoS方法,通过核去偏平方和聚合邻接矩阵后进行谱聚类,解决节点成员随时间变化且单点信号不足的异配随机块模型动态社区检测问题,并证明其一致性及可识别性。
2025-08-21 math.ST stat.AP stat.TH
On spectral algorithms for community detection in stochastic blockmodel graphs with vertex covariates
Johns Hopkins University(约翰斯·霍普金斯大学);University of Pittsburgh(匹兹堡大学)
在网络推理应用中,通常需要检测社区结构,即根据某种相似性度量将顶点聚类成组或块。除了邻接矩阵之外,许多真实网络还涉及顶点协变量,这些协变量携带关于图中底层块结构的关键信息。为了评估这些协变量对块恢复的影响,我们提出了一个比较分析的两个基于模型的谱算法的顶点聚类随机块模型图与顶点协变量。第一种算法只使用邻接矩阵,直接估计块分配。第二种算法将邻接矩阵和顶点协变量结合到块分配的估计中,并且量化了顶点协变量对块分配的估计结果的显式影响。我们采用的分析比较算法的性能,并获得信息理论的分析比为某些模型的兴趣。分析结果和模拟表明,第二种算法往往是首选:我们往往可以更好地估计诱导块分配,首先估计顶点协变量的影响。此外,实际数据的例子也表明,第二种算法具有揭示底层块结构和考虑观察到的顶点异构性在实际应用中的优势。我们的研究结果强调了区分观察到的和未观察到的因素,可以影响图中的块结构的重要性。
2021-08-04 cs.LG cs.SI math.ST
Strongly Consistent Community Detection in Popularity Adjusted Block Models
针对 PABM 下社区检测的谱聚类适配与强一致性难题,提出 TCSC 及 Refined TCSC 算法,并给出数据驱动的社区数选择方法。
2025-06-08 math.ST stat.ME stat.ML
Community recovery in non-binary and temporal stochastic block models
Inria(法国国家信息与自动化研究所);Aalto University(阿尔托大学)
本文研究了$N$节点网络中的成对交互对潜在社区成员的估计,其中观察到的交互可以是任意类型的,包括二进制,分类和向量值,并且不排除更一般的对象,如时间序列或空间点模式。作为一个生成模型,这样的数据,我们引入了一个随机块模型与一般的可测量的相互作用空间$\mathcal S$,我们推导出的最小可实现的差错率的信息理论界。这些界限产生尖锐的标准存在一致的和强一致的估计数据稀疏性,块内和块间的相互作用分布之间的统计相似性,以及相互作用空间的形状和大小。一般的框架,使人们有可能研究时间和多路复用网络与$\mathcal S = \{0,1\}^T$,在设置中,$N \to \infty$和$T \to \infty$,和时间的相互作用模式随着时间的推移相关。对于时间马尔可夫相互作用,我们得到尖锐的一致性阈值。我们还提出了快速在线估计算法,充分利用了非二进制性质的观测数据。对合成数据和真实数据的数值实验表明,即使对于非常稀疏的数据阵列,这些算法也能快速产生准确的估计。
2022-08-30 cs.LG math.PR math.ST
Testing Changes in Communities for the Stochastic Block Model
Boston University(波士顿大学);Carnegie Mellon University(卡内基梅隆大学)
我们提出并分析了\textit{community goodness-of-fit and two-sample testing}的随机块模型(SBM)的问题,其中出现的变化,由于修改社区成员的节点。出于实际应用的需要,我们考虑了具有挑战性的稀疏制度,其中预期的节点度是恒定的,并且社区间平均度($b$)与社区内平均度($a$)成比例地缩放。先前的工作已经根据基于$a$和$b$的“信噪比”($\mathrm{SNR}$)来明确地表征部分或全部社区恢复。对于这两个问题,我们提出了计算效率高的测试,可以成功远远超出的制度,恢复社区成员甚至是可能的。总的来说,对于大的变化,$s \gg \sqrt{n}$,我们只需要$\mathrm{SNR}= O(1)$,而基于$O(s)$错误的社区恢复的简单测试需要$\mathrm{SNR}= Θ(\log n)$。相反,在小的变化制度,$s \ll \sqrt{n}$,通过信息理论的下限,我们表明,令人惊讶的是,没有算法可以做得比天真的算法,首先估计社区高达$O(s)$错误,然后检测变化。我们验证这些现象数值上的SBM和现实世界的数据集,以及马尔可夫随机场,我们只观察节点数据,而不是链接的存在。
2019-10-31 cs.IT cs.LG cs.SI
Information-theoretic bounds for exact recovery in weighted stochastic block models using the Renyi divergence
我们推导出精确恢复的社区在加权随机块模型,观察收集的形式加权邻接矩阵,每个边缘的权重独立于由其端点的社区成员资格所确定的分布而产生的尖锐阈值。我们的主要结果,表征成功和失败的最大似然估计边缘权重时,从离散分布之间的精确边界,涉及Renyi发散的顺序$\frac{1}{2}$之间的分布内社区和社区之间的边缘。当Renyi散度高于某个阈值时,意味着边缘分布充分分离,最大似然法成功,概率趋于1;当Renyi散度低于阈值时,最大似然法失败,概率远离0。在图形通道的语言中,Renyi分歧指出了具有二进制输入的离散图形通道的信息理论容量。我们的研究结果概括了以前建立的阈值,专门为未加权块模型,并支持一个重要的自然直觉有关的内在硬度社区估计的边缘分类的问题。一路上,我们建立了一个一般的关系之间的Renyi分歧和成功的概率的最大似然估计的任意边缘重量分布。最后,我们讨论的后果,我们的界限的相关问题的截尾块模型和子矩阵本地化,这可能被视为特殊情况下,我们的文件中开发的框架。
2015-09-21 cs.IT cs.SI math.IT
Achieving Optimal Misclassification Proportion in Stochastic Block Model
社区发现是网络数据分析中的一个基本统计问题。已经提出了许多算法来解决这个问题。这些算法中的大多数不能保证实现问题的统计最优性,而实现一般参数空间的信息理论极限的程序在计算上是不可处理的。本文针对弱正则条件下的随机块模型,提出了一种计算上可行的两阶段方法,该方法在误分类率方面具有最优的统计性能.我们的两个阶段的过程包括一个通用的细化步骤,可以采取广泛的弱一致的社区检测程序作为初始化,细化阶段适用于并输出一个社区分配实现最佳的误分类比例与高概率。数值结果表明了新算法的有效性。
2015-10-03 cs.SI math.ST stat.ME