A Consistent Adjacency Spectral Embedding for Stochastic Blockmodel Graphs
随机块模型图的一致邻接谱嵌入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：摘要直接研究随机网络中的节点分块、谱嵌入及块模型参数估计。
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…
随机块模型图的一致邻接谱嵌入
- 研究问题
- 如何从随机块模型生成的图中估计节点所属的块，并在有向、无向及块数随节点数增长的情形下保证一致性？
- 方法与思路
- 作者以随机点积图为动机进行邻接谱嵌入，将节点表示为向量，再通过最小化平方误差进行聚类分块。
- 材料陈述的贡献
- 摘要称，错误分配节点的比例可忽略，分块支持一致参数估计，并将结果扩展至块数缓慢增长的情形。
- 阅读关注点
- 应核对图的稀疏程度、块间分离和谱条件，以及块数允许的增长速度、聚类步骤和大图计算可行性的依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；不能推断刊本变化。摘要未列一致性条件或误分率，不能把可忽略误分理解为完全正确恢复。
原文摘要
We present a method to estimate block membership of nodes in a random graph generated by a stochastic blockmodel. We use an embedding procedure motivated by the random dot product graph model, a particular example of the latent position model. The embedding associates each node with a vector; these vectors are clustered via minimization of a square error criterion. We prove that this method is consistent for assigning nodes to blocks, as only a negligible number of nodes will be misassigned. We prove consistency of the method for directed and undirected graphs. The consistent block assignment makes possible consistent parameter estimation for a stochastic blockmodel. We extend the result in the setting where the number of blocks grows slowly with the number of nodes. Our method is also computationally feasible even for very large graphs. We compare our method with Laplacian spectral clustering through analysis of simulated data and a graph derived from Wikipedia documents.