加权度纠正随机区块模型的社区数选择方法

我们研究如何在不进行完整似然建模的情况下选择加权网络的社区数。首先，我们提出了一种新颖的加权度纠正随机区块模型（DCSBM），其中邻接矩阵的均值矩阵以与标准DCSBM相同的方式建模，而方差特征矩阵假设通过给定的方差函数与均值邻接矩阵相关联。我们的方法基于顺序测试框架来选择社区数的。在每一步中，通过某种谱聚类方法拟合加权DCSBM。我们方法的关键组成部分是对估计得到的方差特征矩阵的矩阵缩放。结果得到的缩放因子可用于归一化邻接矩阵，随后获得检验统计量。在加权DCSBM的 mild 条件下，我们的提议程序在估计真实社区数的一致性方面表现出色。在模拟数据和真实世界网络数据上的数值实验表明，我们方法具有良好的经验属性。