Dynamic clustering for heterophilic stochastic block models with time-varying node memberships
节点归属随时间变化的异配随机块模型动态聚类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：摘要直接研究动态网络、随机块模型和社群检测，与网络方向相关，但未讨论因果干扰效应。
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…
节点归属随时间变化的异配随机块模型动态聚类
- 研究问题
- 若每个时点的网络信号都不足以恢复社群，且节点逐渐改变归属，如何借助跨期信息识别异配网络中的动态社群？
- 方法与思路
- 作者提出核加权去偏平方和方法，聚合邻接矩阵平方后进行谱聚类，并以偏差与方差分解研究一致性及自适应带宽选择。
- 材料陈述的贡献
- 摘要称，方法无需社群间连接动态的平滑性即可实现逐期一致检测，并依据节点换群速度建立跨期社群对齐的可识别性。
- 阅读关注点
- 应核对节点归属变化速度、网络稀疏性和信号条件，区分连接动态与归属动态的要求，并检查对齐及带宽算法。
- 阅读边界
- 仅据所给 Crossref 摘要；不要求连接动态平滑不等于允许任意动态，摘要未列出一致性与跨期对齐的全部条件。
原文摘要
Summary We consider a time-ordered sequence of networks stemming from stochastic block models in which nodes gradually change their membership over time, and no network at any single time-point contains sufficient signal strength to recover its community structure. To estimate the time-varying community structure, we develop the kernel-debiased sum of squares method that performs spectral clustering after a debiased sum-of-squared aggregation of adjacency matrices. Our theory demonstrates, via a novel bias-variance decomposition, that our new method achieves consistent community detection in each network, even for heterophilic networks, without requiring smoothness in the time-varying dynamics of between-community connectivities. We also prove the identifiability of aligning community structures across time based on how rapidly nodes change communities, and we develop a data-adaptive bandwidth-tuning procedure for our new method. We demonstrate the utility and advantages of our proposed method through simulations and a novel analysis of time-varying dynamics in gene coordination in the human developing brain.