Spectral and matrix factorization methods for consistent community detection in multi-layer networks
多层网络一致社区检测的谱方法与矩阵分解方法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：摘要直接研究多层网络的社区结构与网络信息融合，对应网络方向，但没有提供经济行为或因果干扰分析的证据。
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
多层网络一致社区检测的谱方法与矩阵分解方法
- 研究问题
- 如何融合多层网络的信息以估计共同社区结构，并为谱聚类及低秩矩阵分解目标函数的最优解提供一致性保证？
- 方法与思路
- 作者在多层随机块模型下分析中间融合目标的全局最优解，并允许节点数、层数和社区数增长，比较多类融合方法。
- 材料陈述的贡献
- 摘要称建立中间融合及平均邻接矩阵谱聚类的一致性结果，并在指定稀疏或同配与异配混合网络中报告比较优势。
- 阅读关注点
- 应核对网络各维度的增长条件、一致性的衡量方式，以及全局最优解的理论保证能否覆盖实际数值算法的输出。
- 阅读边界
- 所给材料为版本未注明的索引摘要，数值比较设置及差异大小未说明；全局最优解一致性不能直接保证任意算法一致。
原文摘要
We consider the problem of estimating a consensus community structure by combining information from multiple layers of a multi-layer network using methods based on the spectral clustering or a low-rank matrix factorization. As a general theme, these “intermediate fusion” methods involve obtaining a low column rank matrix by optimizing an objective function and then using the columns of the matrix for clustering. However, the theoretical properties of these methods remain largely unexplored. In the absence of statistical guarantees on the objective functions, it is difficult to determine if the algorithms optimizing the objectives will return good community structures. We investigate the consistency properties of the global optimizer of some of these objective functions under the multi-layer stochastic blockmodel. For this purpose, we derive several new asymptotic results showing consistency of the intermediate fusion techniques along with the spectral clustering of mean adjacency matrix under a high dimensional setup, where the number of nodes, the number of layers and the number of communities of the multi-layer graph grow. Our numerical study shows that the intermediate fusion techniques outperform late fusion methods, namely spectral clustering on aggregate spectral kernel and module allegiance matrix in sparse networks, while they outperform the spectral clustering of mean adjacency matrix in multi-layer networks that contain layers with both homophilic and heterophilic communities.