Fast Network Community Detection With Profile-Pseudo Likelihood Methods
基于剖面伪似然的快速网络社区检测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识别，并涉及度异质性与二部网络，属于网络方法方向。
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…
基于剖面伪似然的快速网络社区检测
- 研究问题
- 如何在随机区块模型中快速识别网络社区，同时为算法收敛及社区估计一致性提供保证，并适用于不同网络规模？
- 方法与思路
- 作者在似然函数中解耦行标签与列标签，以快速交替最大化拟合模型，并扩展处理度异质性网络和二部网络。
- 材料陈述的贡献
- 摘要称所提方法具有可证明的收敛保证，社区估计在随机区块模型下强一致，并在小规模与大规模网络中表现良好。
- 阅读关注点
- 核对算法收敛所指的目标、初始化要求与社区强一致性的条件，并检查度异质性及二部网络扩展是否保留相同保证。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明网络稀疏度、信号强度和初始化条件，收敛不等于全局最优。
原文摘要
The stochastic block model is one of the most studied network models for community detection, and fitting its likelihood function on large-scale networks is known to be challenging. One prominent work that overcomes this computational challenge is the fast pseudo-likelihood approach proposed by Amini et al. for fitting stochastic block models to large sparse networks. However, this approach does not have convergence guarantee, and may not be well suited for small and medium scale networks. In this article, we propose a novel likelihood based approach that decouples row and column labels in the likelihood function, enabling a fast alternating maximization. This new method is computationally efficient, performs well for both small- and large-scale networks, and has provable convergence guarantee. We show that our method provides strongly consistent estimates of communities in a stochastic block model. We further consider extensions of our proposed method to handle networks with degree heterogeneity and bipartite properties. Supplementary materials for this article are available online.