Learning sparse graphons and the generalized Kesten–Stigum threshold
稀疏图函数学习与广义 Kesten–Stigum 阈值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：摘要直接研究稀疏网络的图函数与谱结构学习，对应网络方向。
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…
关注这篇论文的作者
稀疏图函数学习与广义 Kesten–Stigum 阈值
- 研究问题
- 在期望节点度保持常数、局部图结构同质的稀疏网络中，能否用高效算法学习图函数的主要谱结构？
- 方法与思路
- 作者提出常数期望度情形下的图函数学习算法，以 L₂ 度量估计秩为 k 的投影，并以领先特征值的阈值条件刻画成功范围。
- 材料陈述的贡献
- 摘要称当图函数的前 k 个特征值满足广义 Kesten–Stigum 条件时，算法能够成功估计其秩为 k 的投影。
- 阅读关注点
- 应核对广义阈值的确切定义、网络生成与可辨识条件、L₂ 误差的比较方式，以及成功估计和计算效率的具体含义。
- 阅读边界
- 所据为稿件版本未注明的 OpenAlex 索引摘要；摘要未给出阈值公式、误差速率或完整条件，不能把投影估计扩展为完整图函数恢复。
原文摘要
The problem of learning graphons has attracted considerable attention across several scientific communities, with significant progress over the recent years in sparser regimes. Yet, the current techniques still require diverging degrees in order to succeed with efficient algorithms in the challenging cases where the local structure of the graph is homogeneous. This paper provides an efficient algorithm to learn graphons in the constant expected degree regime. The algorithm is shown to succeed in estimating the rank-k projection of a graphon in the L2 metric if the top k eigenvalues of the graphon satisfy a generalized Kesten–Stigum condition.