Optimization via low-rank approximation for community detection in networks
通过低秩近似优化网络社区检测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：摘要直接研究网络邻接矩阵、社区结构和节点标签估计，符合网络方向。
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…
通过低秩近似优化网络社区检测
- 研究问题
- 网络社区检测中，对离散标签进行优化往往计算困难；能否利用邻接矩阵的谱结构缩小搜索空间，并保持标签估计的一致性？
- 方法与思路
- 作者将标签集合投影到近似期望邻接矩阵主特征向量的低维子空间，缩小可行标签集合，并用于多种既有社区检测准则。
- 材料陈述的贡献
- 摘要称，作者证明该方法的一般结果及多个准则下的标签估计一致性，揭示谱性质与模型方法的联系，并提供模拟和真实数据应用。
- 阅读关注点
- 应核对低秩子空间如何估计、投影后的优化步骤、不同准则的一致性条件，以及统计误差与计算成本之间的关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；网络模型、稀疏程度条件、复杂度和比较结果未说明，不能推出任意网络下均有效。
原文摘要
Community detection is one of the fundamental problems of network analysis, for which a number of methods have been proposed. Most model-based or criteria-based methods have to solve an optimization problem over a discrete set of labels to find communities, which is computationally infeasible. Some fast spectral algorithms have been proposed for specific methods or models, but only on a case-by-case basis. Here, we propose a general approach for maximizing a function of a network adjacency matrix over discrete labels by projecting the set of labels onto a subspace approximating the leading eigenvectors of the expected adjacency matrix. This projection onto a low-dimensional space makes the feasible set of labels much smaller and the optimization problem much easier. We prove a general result about this method and show how to apply it to several previously proposed community detection criteria, establishing its consistency for label estimation in each case and demonstrating the fundamental connection between spectral properties of the network and various model-based approaches to community detection. Simulations and applications to real-world data are included to demonstrate our method performs well for multiple problems over a wide range of parameters.