Community detection in degree-corrected block models
度修正块模型中的社区检测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究网络节点的社区划分及度异质性，对应网络数据分析方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
度修正块模型中的社区检测
- 研究问题
- 在允许节点连接程度异质的度修正块模型中，社区分类能够达到怎样的最小错误水平，是否存在计算可行的自适应算法？
- 方法与思路
- 作者以误分类比例为损失研究渐近极小极大风险，分析度修正参数、社区规模及组内组间连接强度，并提出多项式时间算法。
- 材料陈述的贡献
- 摘要称在适当条件下得到可解释的渐近极小极大风险，并提出能够自适应实现一致、甚至渐近最优社区检测的算法。
- 阅读关注点
- 应核对网络稀疏程度、社区规模和度异质性限制，明确最优性成立的参数范围，并检查算法如何适应未知模型参数。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断具体信号阈值、算法步骤与复杂度阶数，也不能确认任意网络上的最优性。
原文摘要
Community detection is a central problem of network data analysis. Given a network, the goal of community detection is to partition the network nodes into a small number of clusters, which could often help reveal interesting structures. The present paper studies community detection in Degree-Corrected Block Models (DCBMs). We first derive asymptotic minimax risks of the problem for a misclassification proportion loss under appropriate conditions. The minimax risks are shown to depend on degree-correction parameters, community sizes and average within and between community connectivities in an intuitive and interpretable way. In addition, we propose a polynomial time algorithm to adaptively perform consistent and even asymptotically optimal community detection in DCBMs.