Hypothesis Testing for Automated Community Detection in Networks
用于网络自动社群发现的假设检验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：摘要明确研究网络邻接矩阵、随机区块模型及社群结构，直接对应网络分析方向。
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
用于网络自动社群发现的假设检验
- 研究问题
- 在随机区块模型生成的网络中，如何通过统计检验自动确定社群数量，并识别可能存在的嵌套社群结构？
- 方法与思路
- 作者分析适当中心化和缩放后的邻接矩阵主特征值，以其极限分布检验随机图噪声假设，并构建递归二分算法。
- 材料陈述的贡献
- 摘要称建立了主特征值极限分布并实现自动社群发现；模拟及有真实标签的网络任务中，作者报告优于比较方法。
- 阅读关注点
- 应核对随机区块模型条件、特征值标准化、递归检验的停止规则，以及比较算法、网络任务和评价指标的设置。
- 阅读边界
- 仅据所给 Crossref 摘要；模型条件、误差控制与数值结果未列出，不能将作者报告的比较优势推广到任意网络。
原文摘要
Summary Community detection in networks is a key exploratory tool with applications in a diverse set of areas, ranging from finding communities in social and biological networks to identifying link farms in the World Wide Web. The problem of finding communities or clusters in a network has received much attention from statistics, physics and computer science. However, most clustering algorithms assume knowledge of the number of clusters k. We propose to determine k automatically in a graph generated from a stochastic block model by using a hypothesis test of independent interest. Our main contribution is twofold; first, we theoretically establish the limiting distribution of the principal eigenvalue of the suitably centred and scaled adjacency matrix and use that distribution for our test of the hypothesis that a random graph is of Erdős–Rényi (noise) type. Secondly, we use this test to design a recursive bipartitioning algorithm, which naturally uncovers nested community structure. Using simulations and quantifiable classification tasks on real world networks with ground truth, we show that our algorithm outperforms state of the art methods.