Optimal Community Recovery by Spectrally Initialized Variational EM in General Stochastic Block Models
一般随机块模型中谱初始化变分 EM 的最优社区恢复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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：研究对象是随机块网络中的社区恢复及节点误分类，直接对应网络方向，摘要没有涉及干扰效应或经济因果应用。
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…
关注这篇论文的作者
一般随机块模型中谱初始化变分 EM 的最优社区恢复
- 研究问题
- 在稀疏且平均度发散的随机块模型中，谱初始化的批量变分 EM 能否在有限迭代后达到最优社区误分类表现与精确恢复门槛？
- 方法与思路
- 作者分析同时更新软标签与未知块参数的算法，控制重复使用边所产生的反馈，并结合谱初始化、一致单步界与匹配下界。
- 材料陈述的贡献
- 摘要称无需全局最大化变分目标即可获得 Chernoff 指数保证、局部参数空间上的一阶对数极小极大最优性及精确恢复阈值。
- 阅读关注点
- 应核对迭代预算、初始化可靠性、社区比例与连接轮廓条件，以及误分类风险界、局部下界和精确恢复结果各自的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要明确有固定社区数及连接轮廓条件，未给出完整技术条件，不能推广到任意网络。
原文摘要
We prove a Chernoff-exponent guarantee for the output of spectrally initialized batch variational EM after a prescribed iteration budget, without assuming global maximization of its variational objective. The iteration repeatedly estimates the entire block probability matrix and community proportions from the same sparse graph. We consider a fixed number of communities with proportions bounded away from zero and fixed, positive, distinct connectivity profiles; neither assortativity nor full rank is required. The algorithm uses simultaneous softmax updates without sample splitting or posterior thresholding. Its analysis must control the feedback between estimated parameters, soft labels and reused edges at an exponentially small risk scale. We establish a uniform one-step bound over data-dependent soft assignments whose random remainder has exponentially small expectation. Combined with an exponentially reliable regularized spectral initializer, this yields an unconditional expected misclassification rate bounded by $\exp\{-(1-o(1))J_n\}$ throughout the sparse, diverging-degree regime, where $J_n$ is the minimum nodewise Chernoff information. Matching lower bounds establish first-order logarithmic minimax optimality on local parameter spaces allowing unknown connectivity and varying community counts. The algorithm also attains the sharp first-order exact-recovery threshold. Numerical experiments illustrate refinement gains and sensitivity to initialization and imbalance.