基于最大似然的聚类方法的稳定性：探索分类的主干（谁让你留在那个社区？）

复杂系统的组成部分通常根据它们相互交互的方式进行分类。在图论中，这样的群体被称为聚类或社区。最近提出了许多不同的技术来检测它们，其中一些涉及使用贝叶斯或最大似然方法的推理技术。在本文中，我们研究了一个基于连接相似性检测聚类的统计模型。该模型的基本假设是，图是由节点的某种分组生成的，并且采用期望最大化算法来推断该分组。我们表明，该方法可以进一步发展，以产生分组稳定性分析，量化每个节点影响其邻居组成员身份的程度。我们的方法自然地允许识别对分组负责的关键元素及其对网络变化的弹性。鉴于统计模型所基于假设的普遍性，这些节点可能在原始系统中扮演特殊角色。我们通过分析几个经验网络来说明这一点，这些网络提供了关于节点属性的进一步信息。因此，搜索和识别稳定节点构成了一种表征复杂网络中节点相关性的新技术。