Bias-Adjusted Spectral Clustering in Multi-Layer Stochastic Block Models
多层随机块模型中的偏差校正谱聚类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。
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：摘要明确研究多层网络的邻接矩阵、随机块模型与共同社区恢复，因此对应网络方法方向，但未讨论经济网络或干扰效应。
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…
关注这篇论文的作者
多层随机块模型中的偏差校正谱聚类
- 研究问题
- 当多层网络的单层信号过弱、无法恢复完整社区结构时，如何聚合各层信息，并避免极稀疏情形中的噪声主导？
- 方法与思路
- 作者聚合各层邻接矩阵的平方以提取共同社区信号，并设置偏差移除步骤，处理平方噪声矩阵可能压过信号的问题。
- 材料陈述的贡献
- 摘要称提出新的矩阵线性组合和二次型尾概率界，并通过合成数据及基因共表达网络展示方法表现和去偏步骤的必要性。
- 阅读关注点
- 应核对各层共同社区与依赖结构的设定、平方矩阵去偏的具体步骤，以及稀疏程度、层数和信号强度之间的要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；恢复保证和具体稀疏条件未说明，不能推断刊本变化或所有多层网络中的优势。
原文摘要
We consider the problem of estimating common community structures in multi-layer stochastic block models, where each single layer may not have sufficient signal strength to recover the full community structure. In order to efficiently aggregate signal across different layers, we argue that the sum-of-squared adjacency matrices contain sufficient signal even when individual layers are very sparse. Our method uses a bias-removal step that is necessary when the squared noise matrices may overwhelm the signal in the very sparse regime. The analysis of our method relies on several novel tail probability bounds for matrix linear combinations with matrix-valued coefficients and matrix-valued quadratic forms, which may be of independent interest. The performance of our method and the necessity of bias removal is demonstrated in synthetic data and in microarray analysis about gene co-expression networks.