Co-clustering separately exchangeable network data
分别可交换网络数据的协同聚类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：摘要直接研究二元网络数组、随机块模型及网络行列协同聚类。
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
分别可交换网络数据的协同聚类
- 研究问题
- 当二元网络数组来自分别可交换的非参数过程时，随机块模型如何完成行列协同聚类，样本聚类又能说明总体中的什么结构？
- 方法与思路
- 作者分析剖面似然最大化与均方误差最小化，将块模型视为生成过程的分段常数逼近，并建立预言不等式。
- 材料陈述的贡献
- 摘要称两类准则具有所述概率阶的收敛界，并说明大样本中检测到的协同簇可对应生成过程内等规模、连接渐近等价的簇。
- 阅读关注点
- 核对分别可交换的含义、数组尺寸与块数条件，以及预言界所控制的误差，并辨明样本簇与总体簇对应关系的概率表述。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；维数比例、块数和误差定义未说明，所述逼近与总体对应不能直接解释为真实社区标签恢复。
原文摘要
This article establishes the performance of stochastic blockmodels in addressing the co-clustering problem of partitioning a binary array into subsets, assuming only that the data are generated by a nonparametric process satisfying the condition of separate exchangeability. We provide oracle inequalities with rate of convergence $\mathcal{O}_{P}(n^{-1/4})$ corresponding to profile likelihood maximization and mean-square error minimization, and show that the blockmodel can be interpreted in this setting as an optimal piecewise-constant approximation to the generative nonparametric model. We also show for large sample sizes that the detection of co-clusters in such data indicates with high probability the existence of co-clusters of equal size and asymptotically equivalent connectivity in the underlying generative process.