SubSearch: 通过子图搜索进行随机块模型的鲁棒估计与异常检测
机器学习
2025-06-05 v1 机器学习
摘要
社区检测是图分析中的基础任务，方法通常依赖于将随机块模型(SBM)等模型拟合到观测网络上。虽然许多算法能够在输入图是模型完美样本时准确估计SBM参数，但真实图很少符合这种理想化假设。因此，鲁棒算法至关重要——即使在数据偏离假设分布时也能恢复模型参数。在这项工作中，我们提出了SubSearch，一种通过探索子图空间来寻找与模型假设紧密对齐的子图，从而鲁棒地估计SBM参数的算法。我们的方法同时充当异常检测方法，能够正确识别导致图偏离模型的节点，超越简单的剪枝高度节点等技术。在合成和真实数据集上的广泛实验证明了我们的方法的有效性。
引用
@article{arxiv.2506.03657,
title = {SubSearch: Robust Estimation and Outlier Detection for Stochastic Block Models via Subgraph Search},
author = {Leonardo Martins Bianco and Christine Keribin and Zacharie Naulet},
journal= {arXiv preprint arXiv:2506.03657},
year = {2025}
}