Network community detection using higher-order structures
利用高阶结构进行网络社区检测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：摘要直接研究网络社区、高阶子图与边依赖结构下的统计检测。
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…
利用高阶结构进行网络社区检测
- 研究问题
- 当网络中的三角形等高阶子图比标准随机网络更丰富，且边存在依赖时，如何利用这些结构提高社区检测并建立误差保证？
- 方法与思路
- 作者提出利用高阶结构的社区检测方法，在同时包含社区与三角形结构的边依赖网络模型下，分析有限样本检测误差。
- 材料陈述的贡献
- 摘要称获得由期望三角形度刻画的误差界及一致性，并在模拟和真实网络中发现忽略高阶结构的方法未能揭示的社区。
- 阅读关注点
- 应核对网络生成机制、边依赖的具体形式、期望三角形度与误差界的关系，以及一致性所需稀疏程度和算法计算成本。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断结论对其他高阶结构或边依赖机制是否成立；“首次”及实证优势属于作者陈述。
原文摘要
Summary In many real-world networks, it is often observed that subgraphs or higher-order structures of certain configurations, e.g., triangles and by-fans, are overly abundant compared to standard randomly generated networks (Milo et al., 2002). However, statistical models accounting for this phenomenon are limited, especially when community structure is of interest. This limitation is coupled with a lack of community detection methods that leverage subgraphs or higher-order structures. In this paper, we propose a new community detection method that effectively uses higher-order structures in a network. Furthermore, for the community detection accuracy, under an edge-dependent network model that consists of both community and triangle structures, we develop a finite-sample error bound characterized by the expected triangle degree, which leads to the consistency of the proposed method. To the best of our knowledge, this is the first statistical error bound and consistency result for community detection of a single network considering a network model with dependent edges. We also show, in both simulation studies and a real-world data example, that our method unveils network communities that are otherwise invisible to methods that ignore higher-order structures.