Consistency of spectral hypergraph partitioning under planted partition model
植入分区模型下谱超图划分的一致性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：摘要直接讨论网络科学中的超图分组与谱划分，因此归入网络方向。
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…
植入分区模型下谱超图划分的一致性
- 研究问题
- 对于稀疏且超边大小不一的随机超图，谱划分算法能否可靠恢复植入的分组，并获得明确的误差界？
- 方法与思路
- 作者提出推广随机区块模型的非均匀超图植入分区模型，并利用矩阵集中不等式推导谱划分算法的误差界。
- 材料陈述的贡献
- 摘要称给出了非均匀超图划分的一致性结果，并将其表述为作者所知的首次此类结果；优先性仍需核对文献。
- 阅读关注点
- 应核对超边生成机制、稀疏程度与分组可分性的要求，以及误差界如何依赖样本规模和模型参数。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断一致性所需的具体条件、误差界形式或适用范围，也不能推断刊本变化。
原文摘要
Hypergraph partitioning lies at the heart of a number of problems in machine learning and network sciences. Many algorithms for hypergraph partitioning have been proposed that extend standard approaches for graph partitioning to the case of hypergraphs. However, theoretical aspects of such methods have seldom received attention in the literature as compared to the extensive studies on the guarantees of graph partitioning. For instance, consistency results of spectral graph partitioning under the stochastic block model are well known. In this paper, we present a planted partition model for sparse random nonuniform hypergraphs that generalizes the stochastic block model. We derive an error bound for a spectral hypergraph partitioning algorithm under this model using matrix concentration inequalities. To the best of our knowledge, this is the first consistency result related to partitioning nonuniform hypergraphs.