Computational and statistical thresholds in multi-layer stochastic block models
多层随机区块模型的计算与统计阈值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：摘要直接讨论多层网络的随机区块模型、社区恢复和检测，符合网络方向，但未涉及因果干扰效应。
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…
关注这篇论文的作者
多层随机区块模型的计算与统计阈值
- 研究问题
- 多层随机区块模型中，一致社区恢复与检测所需的网络密度如何依赖层数，计算资源限制是否产生额外推断障碍？
- 方法与思路
- 作者以典型双区块模型比较无限计算资源与多项式时间算法的密度阈值，并在低阶多项式困难性猜想下分析计算障碍。
- 材料陈述的贡献
- 摘要称两种计算条件下的阈值分别呈现对层数的线性与平方根依赖，并部分回答偏差调整谱方法是否最优的问题。
- 阅读关注点
- 应核对密度阈值的参数化、恢复与检测的区别、层间结构假设，以及困难性猜想在哪些结论中不可替代。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；计算障碍结论以困难性猜想成立为前提，不能视为无条件定理。
原文摘要
We study the problem of community recovery and detection in multi-layer stochastic block models, focusing on the critical network density threshold for consistent community structure inference. Using a prototypical two-block model, we reveal a computational barrier for such multilayer stochastic block models that does not exist for its single-layer counterpart: When there are no computational constraints, the density threshold depends linearly on the number of layers. However, when restricted to polynomial-time algorithms, the density threshold scales with the square root of the number of layers, assuming correctness of a low-degree polynomial hardness conjecture. Our results provide a nearly complete picture of the optimal inference in multiple-layer stochastic block models and partially settle the open question in (J. Amer. Statist. Assoc. 118 (2023) 2433–2445) regarding the optimality of the bias-adjusted spectral method.