Pseudo-likelihood methods for community detection in large sparse networks
大型稀疏网络社区检测的伪似然方法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：摘要直接研究网络的社区结构、随机区组模型与节点度数异质性，对应网络分析方向。
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…
大型稀疏网络社区检测的伪似然方法
- 研究问题
- 面对大型且稀疏的网络，如何高效拟合社区模型，并处理节点度数差异与社区估计对初始值的依赖？
- 方法与思路
- 作者提出随机区组模型的快速伪似然及条件于度数的变体，并以加入扰动的谱聚类为伪似然提供初始值。
- 材料陈述的贡献
- 摘要称，方法在多种稀疏设置中表现良好，并在双社区区组模型下、满足初始值条件时证明社区估计一致性。
- 阅读关注点
- 应核对伪似然近似、度数条件化与扰动方案，尤其是双社区一致性所需的初始值条件和网络稀疏程度。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。一致性陈述限定于双社区情形；摘要未说明具体条件，不能推广至任意网络。
原文摘要
Many algorithms have been proposed for fitting network models with communities, but most of them do not scale well to large networks, and often fail on sparse networks. Here we propose a new fast pseudo-likelihood method for fitting the stochastic block model for networks, as well as a variant that allows for an arbitrary degree distribution by conditioning on degrees. We show that the algorithms perform well under a range of settings, including on very sparse networks, and illustrate on the example of a network of political blogs. We also propose spectral clustering with perturbations, a method of independent interest, which works well on sparse networks where regular spectral clustering fails, and use it to provide an initial value for pseudo-likelihood. We prove that pseudo-likelihood provides consistent estimates of the communities under a mild condition on the starting value, for the case of a block model with two communities.