随机块模型推断的高效蒙特卡洛与贪婪启发式算法

我们提出了一种用于大型网络中随机块模型推断的高效算法。该算法可用作优化的马尔可夫链蒙特卡洛 (MCMC) 方法，具有快速的混合时间且极大地降低了陷入亚稳态的可能性；或者用作贪婪聚合启发式算法，其复杂度接近线性 $O(N\ln^2N)$，其中 $N$ 为网络中的节点数，且与待推断的块数量无关。我们表明，尽管速度更快，该启发式算法在许多人工和实证网络中能够提供与更精确但计算成本更高的 MCMC 方法无法区分的结果。该方法对任何特定的混合模式完全无偏，特别是它不偏好同配社区结构。