Network Cross-Validation for Determining the Number of Communities in Network Data
用于确定网络社区数量的网络交叉验证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：摘要直接研究网络社区、随机块模型与网络交叉验证，符合网络统计方向。
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
用于确定网络社区数量的网络交叉验证
- 研究问题
- 对于具有社区结构的网络，如何选择社区数量，并在普通随机块模型与度修正块模型之间进行有效的模型选择？
- 方法与思路
- 作者提出网络交叉验证，按块划分节点对，并利用邻接矩阵子块进行社区恢复，将划分和恢复结合用于模型比较。
- 材料陈述的贡献
- 摘要称，在适用于多类社区恢复算法的条件下，社区数量低估的概率随节点数增加而消失，模拟及两个例子展示表现。
- 阅读关注点
- 核对节点对分割与验证损失、社区恢复算法的要求，以及理论是否仅排除低估，是否另有过度选择或完全一致性的保证。
- 阅读边界
- 摘要只明确低估概率消失，未说明过度选择控制或完整选择一致性；OpenAlex 摘要版本未注明，无法核实刊本变化。
原文摘要
The stochastic block model (SBM) and its variants have been a popular tool for analyzing large network data with community structures. In this article, we develop an efficient network cross-validation (NCV) approach to determine the number of communities, as well as to choose between the regular stochastic block model and the degree corrected block model (DCBM). The proposed NCV method is based on a block-wise node-pair splitting technique, combined with an integrated step of community recovery using sub-blocks of the adjacency matrix. We prove that the probability of under-selection vanishes as the number of nodes increases, under mild conditions satisfied by a wide range of popular community recovery algorithms. The solid performance of our method is also demonstrated in extensive simulations and two data examples. Supplementary materials for this article are available online.