Spectral clustering of network time series via the sample covariance matrix
通过样本协方差矩阵对网络时间序列进行谱聚类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：摘要同时明确涉及网络社群恢复与具有时间依赖的多元时间序列。
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…
通过样本协方差矩阵对网络时间序列进行谱聚类
- 研究问题
- 当多元时间序列的依赖由不可观测随机区块模型决定，且邻接矩阵不可见时，能否仅凭样本协方差精确恢复潜在社群？
- 方法与思路
- 作者分析样本协方差矩阵的谱聚类，将矩阵扰动理论扩展到依赖数据，并刻画网络规模、序列长度和区块分离对恢复率的影响。
- 材料陈述的贡献
- 摘要称，在所研究模型下可实现潜在社群的精确恢复，即使邻接矩阵不可观测；相关理论同时扩展经典与精细矩阵扰动分析。
- 阅读关注点
- 应核对随机区块模型如何决定时间序列依赖、精确恢复的概率表述，以及区块分离程度和数据依赖强度所需的限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验。摘要未给出恢复率公式和完整模型条件，不能推广至任意网络时间序列。
原文摘要
Spectral clustering for community detection is analysed in multivariate time series models whose dependence structure is determined by an unobserved stochastic blockmodel. We establish that spectral clustering of the sample covariance matrix achieves exact recovery of the underlying communities. The recovery rates depend explicitly on the network size, sample length, block separation, and degree of data dependence. This demonstrates that exact community recovery under a stochastic blockmodel is possible even when the adjacency matrix is unobserved. Our theory provides extensions of both classical and fine-grained matrix perturbation theory to the setting of dependent data, which may be of independent interest.