Exact Recovery in the Geometric Hidden Community Model
本文研究了几何隐社区模型中的精确恢复问题,提出在允许成对分布依赖于距离和社区标签的情况下,确定信息论阈值。
2026-01-24 math.PR math.ST stat.TH
Harnessing Multiple Correlated Networks for Exact Community Recovery
Northwestern University(西北大学)
针对从多个相关网络中学习潜在社区结构的问题,本文推导了使用任意常数数量相关图进行精确社区恢复的信息论阈值,解决了两图以上场景的信息聚合挑战,刻画了K≥3时仅K图可恢复而K-1图不可的参数区域。
2024-12-03 cs.IT cs.LG cs.SI
Exact Recovery of Community Detection in dependent Gaussian Mixture Models
University of Connecticut(康涅狄格大学);Johns Hopkins University(约翰斯·霍普金斯大学)
研究在依赖且异质高斯噪声的高斯混合模型中社区检测的精确恢复,提出在奇异协方差矩阵情况下MLE的约束二次优化问题,并推导出在社区大小未知或已知时的精确恢复条件。
2026-05-02 math.PR math.ST stat.ML
Exact Community Recovery in the Geometric SBM
研究几何随机块模型中的精确社区恢复问题,提出一种两阶段线性时间算法,在信息论阈值下成功恢复社区标签,证实了先前猜想。
2024-01-05 cs.SI math.PR math.ST
Sharp exact recovery threshold for two-community Euclidean random graphs
本文针对双社区几何隐藏社区模型,证明精确恢复阈值是紧的,并提出两阶段线性时间算法实现精确恢复,扩展至种植稠密子图等问题。
2025-01-22 cs.SI math.PR
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
Recovery and Rigidity in a Regular Stochastic Block Model
随机块模型是研究随机网络中社区发现的自然模型。它的聚类特性在统计学、物理学和计算机科学文献中得到了广泛的研究。最近,这一领域经历了重大的数学突破,特别是对于二进制(两个社区)版本,参见Mossel,Neeman,Sly(2012,2013)和Massoulie(2013)。在本文中,我们介绍了一个变种的二元模型,我们称之为定期随机块模型(RSBM)。我们证明刚性表明,以高概率的社区结构的准确恢复是可能的。谱方法显示了一种可以有效地完成这一工作的方法。此外,我们还证明,在这种情况下,任何适当的好的部分恢复可以自举,以获得一个完整的恢复的社区。
2020-05-04 math.CO math.PR
Robustness of spectral methods for community detection
本工作涉及社区发现。具体来说,我们考虑一个随机图根据随机块模型~:它的顶点集被划分成块,或社区,和边缘被随机放置,彼此独立的概率只取决于他们的两个端点的社区。在这种情况下,我们的目标是恢复社区标签比随机猜测更好,仅基于图的观察。在稀疏的情况下,边缘概率是在$O(1/n)$,我们引入了一个新的谱方法的基础上的距离矩阵$D^{(l)}$,其中$D^{(l)}_{ij} = 1$当且仅当图之间的距离$i$和$j$,记为$d(i, j)$等于$\ell$。我们表明,当$\ell \sim c\log(n)$精心选择的$c$,相关的特征向量的最大特征值的$D^{(l)}$提供足够的信息,以执行非平凡的社区恢复的概率很高,只要我们高于所谓的Kesten-Stigum阈值。这产生了用于社区发现的有效算法,因为对于小的常数$κ$,矩阵$D^{(l)}$的计算可以在$O(n^{1+κ})$运算中完成。然后,我们研究的灵敏度特征分解的$D^{(l)}$当我们允许一个对抗扰动的边缘$G$。我们表明,当所考虑的扰动不影响超过$O(n^\varepsilon)$顶点的一些小的$\varepsilon > 0$,最高的特征值和相应的特征向量引起可以忽略不计的扰动,这使得我们仍然可以执行有效的恢复。
2019-06-26 cs.DS math.PR
Community Detection on Euclidean Random Graphs
研究了欧氏随机几何图上的社团检测问题,其中每个顶点有两个潜变量:一个二元社团标签和一个$\mathbb{R}^d$值位置标签,该标签构成强度为$λ$的泊松点过程的支撑.然后绘制一个随机图,其边缘概率取决于社区和位置标签。与没有位置标签的随机块模型(SBM)相比,由于几何嵌入,所得到的随机图包含更多的短循环。我们考虑恢复的社区标签,部分和精确的,使用随机图和位置标签。我们建立稀疏和对数度制度的相变,并提供界限的阈值的位置上,严格的情况下,确切的恢复。我们还表明,阈值的可扩展性问题,即,我们的模型和没有社区标签的空模型之间的测试没有表现出相变,特别是,不匹配弱恢复阈值(与SBM相反)。
2020-03-19 cs.IT cs.SI math.IT
Community Detection and Stochastic Block Models
本专著综述了随机块模型(SBM)中社区检测的基本极限,涵盖信息论与计算权衡及精确、部分、弱恢复要求,并系统推导了图分割、半定规划、置信传播及谱方法等主要算法。
2023-10-25 cs.CC cs.IT cs.SI
Optimal Recovery of Block Models with $q$ Communities
本文研究稀疏随机块模型的重建问题。Mossel、Neeman和Sly的论文“Belief Propagation,robust reconstruction and optimal recovery of block models”提供并证明了一种重建算法,该算法在2个社区的情况下恢复社区的最佳比例。他们证明的主要步骤是表明,当信噪比足够大时,特别是$θ^2d > C$,在叶子上有或没有噪声的规则树上的重建精度是相同的。本文将把他们的结果,包括主要步骤,推广到任何数量的社区,提供一个与信念传播相关的算法,该算法可以恢复社区标签的可证明的最优比例。
2020-10-20 cs.SI math.PR
Recovering Small Communities in the Planted Partition Model
University of Twente(特温特大学);Université Gustave Eiffel(古斯塔夫·埃菲尔大学)
本文提出了一种基于共同邻居的聚类规则,在种植分区模型中恢复小而异质大小的社区,并改进了现有保证。
2026-03-04 cs.SI math.PR
Community detection in general stochastic block models: fundamental limits and efficient recovery algorithms
随机块模型是两个非重叠对称社区的特殊情况,最近发现了新的相变现象。这特别提出了由阈值驱动的新算法挑战。本文探讨了是否有一个普遍的现象发生在多个社区,而不强加对称性。在一般的随机块模型$\text{SBM}(n,p,Q)$中,$n$顶点被分成大小为$\{p_i\}_{i \in [k]}$的$k$社区,社区中的顶点$i$和$j$以概率$\{Q_{i,j}\}_{i,j \in [k]}$独立连接.本文研究了一般SBM(在常数和对数度制度)的社区的部分和精确恢复,并使用结果的一般性来解决重叠社区。该论文的贡献包括:(i)根据新的发散函数$D_+$的一般SBM中的恢复阈值的明确表征,该新的发散函数推广了Hellinger发散和Bauffff发散,并且向类似于信道编码定理中的KL发散的发散函数提供了操作意义,(ii)开发一种算法,该算法将社区一直恢复到最佳阈值,并在准线性时间内运行,表明精确恢复对于多个社区没有信息理论到计算差距,与4个以上群落的检测结果相反;注意该算法在达到阈值和具有准线性复杂度方面都是最优的,(iii)发展一种有效的算法,在常数度范围内检测社区,并具有明确的准确性界限,当指定信号-信噪比(根据$\diag(p)Q$的光谱定义)趋于无穷大。
2015-04-04 cs.IT cs.SI math.IT
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
Community Recovery in a Preferential Attachment Graph
一个消息传递算法的Barabási-Albert偏好连接模型的变化产生的图中恢复社区。假设估计器知道顶点的到达时间或附着顺序。该算法的推导是基于独立性假设下的置信传播。分析了消息传递算法的两个前身:一个是度阈值(DT)算法,另一个是基于给定顶点的子节点(C)到达时间的算法,其中给定顶点的子节点是与该顶点相连的顶点,通过对这两种算法性能的比较,发现知道子节点的到达时间而不仅仅是知道子节点的数目是有益的.一个顶点的正确分类概率由在它之前到达的顶点所占的比例渐近地确定.给出了算法C的两个扩展:第一个扩展是基于固定顶点集合的子节点的联合似然,它有时可以用来作为消息传递算法的种子.二是消息传递算法。给出了仿真结果。
2018-07-20 cs.SI math.PR stat.ML
Recovering a Hidden Community Beyond the Kesten-Stigum Threshold in $O(|E| \log^*|V|)$ Time
社区检测被认为是一个随机块模型图的n个顶点,K个顶点在种植社区,边缘概率p的顶点对都在社区,和边缘概率q的其他顶点对。本文的主要重点是弱恢复的社区的基础上的图G,与O(K)错误分类的顶点平均,在次线性政权$n^{1-o(1)} \leq K \leq o(n).$一个关键参数是有效的信号噪声比$λ=K^2(p-q)^2/((n-K)q)$,与$λ=1$对应的Kesten-Stigum阈值。我们表明,一个信念传播算法实现弱恢复,如果$λ>1/e$,超出Kesten-Stigum阈值的一个因素$1/e.$的信念传播算法只需要运行$\log^\ast n+O(1) $迭代,总的时间复杂度为$O(|E| \log^*n)$,其中$\log^*n$是$n.$的迭代对数相反,如果$λ\leq 1/e$,没有本地算法可以渐近优于平凡的随机猜测。此外,一个线性的消息传递算法,对应于应用电源迭代的非回溯矩阵的图形,以达到弱恢复当且仅当$λ>1$。此外,置信传播算法可以与线性时间投票过程相结合,以实现所有$K \ge \frac{n}{\log n} \left( ρ_{\rm BP} +o(1) \right),$的精确恢复的信息限制(以高概率正确地分类所有顶点),其中$ρ_{\rm BP}$是$p/q$的函数。
2018-01-16 cs.CC cs.SI math.PR
Consistent community recovery in stochastic block Ornstein-Uhlenbeck processes
Aarhus University(奥胡斯大学);Imperial College London(帝国理工学院)
该研究提出随机块奥恩斯坦-乌伦贝克(SBOU)过程模型,开发出一种社区检测算法,在特定渐近 regime 下可实现一致的社区恢复,并通过 RE-Europe 风电容量数据集验证了方法的有效性。
2026-08-06 math.PR math.ST stat.ME
Phase Transition for Stochastic Block Model with more than $\sqrt{n}$ Communities (II)
Institut für Mathematik – Universität Potsdam(波恩大学数学研究所);Laboratoire de Mathématiques d’Orsay, Université Paris-Saclay, CNRS(奥赛数学实验室,巴黎-萨克雷大学,CNRS);INRAE, Institut Agro, MISTEA, Univ. Montpellier(法国国家农业科学研究院,农业研究所,MISTEA,蒙彼利埃大学)
本文研究了具有超过√n个社区的随机块模型的相变问题,通过构造特定结构的motif并证明其在阈值之上实现社区恢复,完善了计算障碍图景,并表明中等稀疏情形下的最优算法与谱方法不同。
2025-11-26 cs.LG math.PR math.ST
On statistical inference when fixed points of belief propagation are unstable
许多统计推断问题对应于从稀疏观测值中恢复一组隐变量的值。例如,在诸如种植3-SAT的种植约束满足问题中,子句是要从中恢复隐藏分配的稀疏观测。在随机块模型的社区发现问题中,社区标签是从图的边恢复的隐变量。受统计物理学思想的启发,信念传播的稳定不动点的存在已被广泛证明是这些问题的计算易处理性的特征。对于随机块模型中的社区发现,这些预测中的许多已经被严格证实。在这项工作中,我们考虑一个一般模型的统计推断问题,包括社区发现随机块模型,和所有种植约束满足问题的特殊情况。我们进行腔方法计算统计物理计算的参数,检测和恢复应该是算法上听话的政权。在预测的易于处理的制度,我们给:(一)一个一般的多项式时间算法的检测问题:区分一个输入与种植的信号从一个没有;(二)一个一般的多项式时间算法的恢复问题:输出一个向量,与隐藏的分配显着优于随机猜测。
2021-07-17 cs.DS math.PR
Spectral Recovery of Binary Censored Block Models
社区检测是识别图中社区结构的问题。图通常被建模为随机块模型的样本,其中每个顶点属于一个社区。两个顶点通过边连接的概率取决于这些顶点的社区。在本文中,我们考虑了一个模型的{ \em审查}社区检测与两个社区,其中大部分的数据是失踪的状态,只有一小部分的潜在的边缘被揭示。在该模型中,同一社区中的顶点以概率$p$连接,而相反社区中的顶点以概率$q$连接。给定顶点对$\{u,v\}$的连接状态以概率$α$显示,独立于所有对,其中$α= \frac{t \log(n)}{n}$。我们建立了信息论阈值$t_c(p,q)$,使得没有算法成功地恢复社区时,$t < t_c(p,q)$。我们表明,当$t > t_c(p,q)$,一个简单的频谱算法的基础上加权,签署邻接矩阵成功地恢复社区。虽然频谱算法在对称的情况下具有接近最优的性能,我们表明,他们可能会失败的不对称的情况下,允许两个社区内的连接概率是不同的。特别是,我们展示了一个简单的两阶段算法成功的参数制度的存在,但任何算法的基础上的前两个特征向量的加权,签署邻接矩阵失败。
2021-11-10 math.PR math.ST stat.TH
Ensemble nonequivalence in random graphs with modular structure
打破之间的等价性的微正则系综和正则系综,描述了一个大系统的硬和软的约束,分别,最近被证明发生在大随机图。硬约束必须满足每个图,软约束必须满足平均,最大熵。在Squartini等人(2015)中,当节点的度受到约束时,随机图的集合是不等价的,在非零限制的特定相对熵的意义上,节点的数量发散。在那篇论文中,节点被放置在单层(单部图)或两层(二部图)上。在本文中,我们考虑了任意数量的内部连接和相互连接的层,从而允许模块图的多部,复用,块模型或社区结构。我们给出了系综等价的完整分类,证明了当且仅当局部约束(即,约束度的数量)在节点数量上是广泛的,而与层结构无关。此外,我们推导出一个公式的具体相对熵,并提供了一个解释这个公式的Poissonisation的程度。
2016-10-31 cond-mat.dis-nn cond-mat.stat-mech math-ph
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
Exact Recovery in the Geometric SBM
本文研究了几何随机块模型中精确标签恢复的问题,提出了信息论阈值的刻画方法,并扩展了之前的相关研究成果。
2025-12-28 math.PR math.ST stat.TH
Achieving Exact Cluster Recovery Threshold via Semidefinite Programming: Extensions
解决了Abbe,Bandeira和Hall的猜想,作者最近证明了半定规划(SDP)放松的极大似然估计达到了尖锐的阈值,准确地恢复社区结构下的二进制随机块模型的两个大小相等的集群。对于单个聚类和离群值的情况也显示了相同的情况。扩展证明技术,本文证明了SDP松弛在以下情况下也达到了尖锐的恢复阈值:(1)具有两个大小与网络大小成比例但不一定相等的簇的二进制随机块模型;(2)具有固定数量的大小相等的簇的随机块模型;(3)背景图为Erdens-Rényi的二进制删失块模型。此外,一个充分条件的SDP程序,以实现精确的恢复的一般情况下,一个固定数量的集群加离群值。这些结果表明,SDP松弛作为一个简单的,通用的,计算上可行的社区检测方法的通用性。
2016-06-15 cs.SI math.PR stat.ML
A spectral method for community detection in moderately-sparse degree-corrected stochastic block models
我们考虑度校正随机块模型(DC-SBM)中的社区检测。我们提出了一种基于适当规范的邻接矩阵的谱聚类算法。我们表明,该算法始终恢复块成员的所有,但消失的一部分节点,在政权的最低程度是为了日志$(n)$或更高。恢复成功,即使是非常异质度分布。所使用的算法不依赖于参数作为输入。特别是,它不需要知道社区的数量。
2017-02-07 cs.LG cs.SI math.PR
Community Detection on Block Models with Geometric Kernels
INRIA(法国国家信息与自动化研究所);Eindhoven University of Technology(埃因霍温理工大学);Aalto University(阿尔托大学)
研究在随机几何图中通过几何核恢复社区标签的统计极限,并提出线性时间算法实现信息理论阈值内的精确恢复。
2026-03-14 math.PR
Fundamental Limits of Community Detection in Contextual Multi-Layer Stochastic Block Models
Peking University(北京大学);Tsinghua University(清华大学)
本文研究了在具有上下文的多层随机块模型中社区检测的基本限制,推导了检测和估计的阈值,并设计了高效算法以消除统计-计算间隙。
2026-02-09 cs.IT cs.LG math.IT
Multisection in the Stochastic Block Model using Semidefinite Programming
我们考虑的问题,确定潜在的社区结构图。为此,我们研究了随机块模型(SBM)的$k$ -集群:随机模型上的$n=km$顶点,在$k$相等大小的集群划分,边缘独立采样的概率$q$跨集群和集群内的概率$p$,$p>q$。目标是恢复$[n]$的初始“隐藏”分区。在这方面,我们研究半定规划(SDP)为基础的算法。在政权$p = \frac{α\log(m)}{m}$和$q = \frac{β\log(m)}{m}$,我们表明,一定的自然SDP为基础的算法解决了问题{ \em精确恢复}在$k$ -社区SBM,具有很高的概率,只要$\sqrtα - \sqrtβ > \sqrt{1}$,只要$k=o(\log n)$。该阈值已知是理论上最优的信息。我们还研究了当$k=θ(\log(n))$ .然而,在这种情况下,我们实现的恢复保证不再匹配最优条件$\sqrtα - \sqrtβ > \sqrt{1}$,从而使实现该范围的最优性成为一个悬而未决的问题。
2015-07-08 cs.DS math.PR stat.ML
PageRank Nibble on the sparse directed stochastic block model
我们提出了新的结果,社区恢复的PageRank半字节算法的基础上稀疏定向随机块模型(DSBM)。我们的结果是基于局部弱极限的dSBM和限制PageRank分布的表征。这个特征使我们能够估计任何给定的连接核和任何给定数量的种子(社区标签已知的顶点)的误分类概率。PageRank是一种本地算法,可以以分布式和异步方式有效地计算,这一事实使其成为一种有吸引力的方法,用于在一些顶点的身份已知的非常大的网络中识别给定社区的成员。
2023-03-12 math.PR
Weak recovery, hypothesis testing, and mutual information in stochastic block models and planted factor graphs
本研究证明稀疏随机块模型中弱恢复与检测任务除临界点外等价,给出检测不可行时的高效低次最优检验,还证明渐近互信息在弱恢复阈值处存在相变,且结果可推广至超图块模型与植入因子图。
2025-02-21 cs.IT cs.SI math.CO
Community detection in the hypergraph stochastic block model and reconstruction on hypertrees
本文研究超图随机块模型中的弱恢复问题,证明了在 $r\le 6$ 且度数足够大时 KS 阈值是紧的,并揭示了 $r\ge 5$ 时存在 KS 阈值不紧的参数,为信息-计算差距的存在提供了新证据。
2024-06-11 cs.IT math.IT math.PR
Statistical inference of a ranked community in a directed graph
针对有向图中植入排序子图的检测与恢复问题,建立统计与计算阈值,确定对数密度设置下的精确指数阈值,并给出两种极端情况的细粒度结果,为该类排序社区推断提供理论基础。
2024-11-18 cs.CC cs.DS math.CO
Community detection using low-dimensional network embedding algorithms
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Massachusetts Institute of Technology(麻省理工学院)
随着大型网络在重要领域的相关性越来越高,例如研究接触网络对疾病传播的影响,或社交网络对地缘政治的影响,有必要研究可扩展到非常大的网络(通常包含数百万个节点)的机器学习工具。这种可扩展算法的一个主要类别被称为网络表示学习或网络嵌入。这些算法试图学习网络泛函的表示(例如~节点),通过首先运行多个随机游走,然后使用观察到的随机游走段中每对节点的同现数来获得某个欧几里得空间上的节点的低维表示。本文的目的是严格理解两种主要算法DeepWalk和node 2 vec在恢复具有地面真实社区的规范网络模型的社区方面的性能。根据图的稀疏性,我们发现所需的随机游走段的长度,使得相应的观察到的同现窗口能够执行几乎精确的恢复底层社区分配。我们证明了,给定一些固定的同现窗口,与使用简单随机游走的DeepWalk相比,使用具有低非回溯概率的随机游走的node 2 vec可以在稀疏网络中成功。此外,如果稀疏性参数是低的,我们提供的证据表明,这些算法可能不会成功几乎精确的恢复。分析需要开发一般的工具,随机网络的路径计数具有基本的低秩结构,这是独立的利益。
2021-11-04 cs.LG cs.SI math.PR
Stochastic block models with many communities and the Kesten--Stigum bound
Massachusetts Institute of Technology(麻省理工学院);Brown University(布朗大学);University of California, Davis(加州大学戴维斯分校)
本文研究社区数随顶点数增长的随机块模型,证明KS界之上可高效恢复,KS界之下q≪√n时低度困难、q≫√n时基于非回溯游走的算法可高效恢复,还确定了新阈值及信息论阈值,改进了图估计结果。
2026-08-25 cs.SI math.PR math.ST
Stochastic Block Model for Hypergraphs: Statistical limits and a semidefinite programming approach
New York University(纽约大学)
研究了一个随机超图模型中的社团发现问题,我们称之为$k$ -一致超图的随机块模型($k$ -SBM).我们研究了$k$ -SBM中的精确恢复问题,并证明了在一个阈值附近会发生急剧的相变:在阈值以下,不可能以非零概率恢复社区,但在阈值以上,存在一个几乎渐近肯定地恢复社区的估计。我们还考虑了一个简单的,有效的算法的精确恢复问题是基于半定松弛技术。
2018-07-08 cs.IT cs.LG math.IT
Optimal and exact recovery on the general nonuniform Hypergraph Stochastic Block Model
University of California, San Diego(加州大学圣地亚哥分校)
针对非均匀超图随机块模型中的社区检测问题,首次建立了精确恢复的尖锐阈值,并提出了两种达到最优性能的高效算法。
2026-06-02 math.PR math.ST stat.ML
Submatrix localization via message passing
主子矩阵定位问题处理恢复的$K\times K$主子矩阵的提高平均$μ$在一个大的$n\times n$对称矩阵加性标准高斯噪声。这个问题作为一个原型的例子,社区检测,其中社区对应于子矩阵的支持。本文的主要结果是,在政权$Ω(\sqrt{n}) \leq K \leq o(n)$,支持的子矩阵可以弱恢复(平均$o(K)$误分类错误)的优化消息传递算法,如果$λ= μ^2K^2/n$,信噪比,超过$1/e$。这扩展了Deshpande和Montanari以前获得的$K=Θ(\sqrt{n}).$的结果。此外,该算法可以扩展到提供精确的恢复时,信息理论上可能的,只要$K \geq \frac{n}{\log n} (\frac{1}{8e} + o(1))$实现精确恢复的信息限制。算法的总运行时间为$O(n^2\log n)$。另一个版本的子矩阵定位问题,称为噪声双聚类,旨在恢复一个$K_1\times K_2$子矩阵的提高平均$μ$在一个大的$n_1\times n_2$高斯矩阵。优化的消息传递算法及其分析适用于双集群问题,假设$Ω(\sqrt{n_i}) \leq K_i \leq o(n_i)$和$K_1\asymp K_2.$一个尖锐的信息理论的条件,这两个集群的弱恢复也被确定。
2015-10-30 cs.IT cs.SI math.IT