阅读时间：2023-11-12
1 介绍
年份：2015
作者：Lyzinski V, Tang M, Athreya 马里兰大学
期刊： IEEE Transactions on Network Science and Engineering
引用量：152
提出了一种在分层随机块模型中进行社区检测和分类的综合方法，适用于社交网络分析和神经科学等各个领域。通过对模拟数据和真实数据的实验验证了所提方法的有效性，包括果蝇连接组和Friendster社交网络。
2 创新点
- 提出了一种在图中进行社区检测和社区比较的方法论，特别关注了分层随机块模型（HSBM）。作者提出了一种稳健且可扩展的方法，其中包括将图嵌入到低维空间中，将顶点聚类成社区，并使用非参数化图推断技术识别这些社区之间的结构相似性。该过程在社区上递归应用以检测更精细的结构。
- 该论文强调了在大型图中识别和分类局部的低维结构的重要性，这些结构可能由松散连接的较小图基元组成。它提供了社交网络和神经科学中这种结构存在的示例。作者还讨论了他们方法的动机，包括揭示人类大脑新皮层中计算原语的重复实例的需求。
- 论文对随机点积图模型、随机块模型和分层随机块模型的定义和背景进行了介绍。它介绍了用于社区检测、模式识别和网络比较的算法，并提出了这些算法的理论和性能保证。
3 思考
阐述了community structures 中引入分层随机块模型（HSBM）的作用，一篇论文《Investigating Echo State Network Performance with Biologically-Inspired Hierarchical Network Structure》将这个思想应用到了ESN中，实现储层内的模块化结构。
