Contextual-LSBM 的社区检测：误分类率的理论限制与高效算法
机器学习
2025-01-28 v3 机器学习
摘要
将网络信息与节点属性信息集成在社区检测文献中最近获得了显着关注。在本工作中，我们考虑 Contextual 标记随机区块模型 (CLSBM) 中的社区检测，其中网络遵循 LSBM，节点属性遵循高斯混合模型 (GMM)。我们的主要关注点是误分类率，这度量了社区检测算法预期误分类的节点的数量。我们首先建立了任何算法的 optimal 误分类率的下界。当我们将我们的设置专门用于 LSBM（仅保留网络信息）或 GMM（仅保留节点属性信息）时，我们的下界恢复了先前的结果。此外，我们呈现了一个针对 CLSBM 的高效谱域方法，推导了其误分类率的上界。虽然该算法未达到下界，但它作为设计更准确社区检测算法（许多算法使用谱方法作为初始步骤，然后通过细化程序来提高准确性）的可靠起点。
引用
@article{arxiv.2501.11139,
title = {Community Detection for Contextual-LSBM: Theoretical Limitations of Misclassification Rate and Efficient Algorithms},
author = {Dian Jin and Yuqian Zhang and Qiaosheng Zhang},
journal= {arXiv preprint arXiv:2501.11139},
year = {2025}
}
备注
online version for Isit-25 submission