多视图聚类的多层随机块模型混合
内容提要
该文综述随机块模型及其在社区检测中的应用，涵盖重叠社区检测的估计方法与误差下界、混合成员随机块模型、贝叶斯非参数与变分推断、结合GNN的稀疏变分自编码器节点嵌入、粒子滤波在线推理、动态标记网络模型，以及标记随机块模型的谱聚类算法，并讨论可检测性极限与模型选择问题。
延伸解读
从静态到动态：随机块模型的时序扩展
文章梳理了随机块模型在动态网络中的两类扩展：基于粒子滤波的在线推理方法（MMSB）和带时间先验的动态标记网络模型。前者利用时间相关的粒子滤波器提升网络结构预测，后者强调鲁棒性和较少训练数据的需求。这些工作表明，社区检测正从静态快照转向对网络演化的建模，但文章未讨论这些方法在超大规模网络上的计算成本。
贝叶斯非参数与变分推断：模型选择的平衡术
文章多次提到贝叶斯非参数方法用于避免过拟合和实现模型选择，例如通过层次先验防止欠拟合，并结合变分推断进行高效求解。这类方法允许模型自动调整社区数量，但文章也指出可检测性存在根本限制。读者需注意，非参数贝叶斯虽灵活，其推断结果仍依赖于先验设定和近似算法的质量。
谱方法与理论保证：标记随机块模型的聚类边界
针对标记随机块模型，文章介绍了一种谱聚类算法，能在观察随机标签的条件下，以O(n polylog(n))的时间复杂度找到至多s个错误分类项的聚类。这提供了理论上的误差上界，但文章未说明该算法在稀疏网络或标签噪声较大时的实际表现。读者应关注其假设条件与真实场景的匹配度。
GNN与SBM融合：节点嵌入的快速推理路径
文章提到一种稀疏变分自编码器，将随机块模型与图神经网络结合，实现节点嵌入的快速推理，并在链接预测和社区发现上取得积极结果。这种融合利用了GNN的表达能力和SBM的生成解释性，但文章未深入讨论模型的可扩展性及对异质图的适应性。读者可将其视为一种兼顾效率与可解释性的折中方案。
Q&A
多视图聚类中常用的随机块模型有哪些变体？
文章提到的随机块模型变体包括：混合成员随机块模型（MMSB）、度修正随机块模型、重叠随机块模型、动态标记网络模型以及标记随机块模型。这些模型分别用于处理重叠社区、度异质性、动态网络和带标签网络等场景。
如何用贝叶斯非参数方法进行随机块模型的模型选择？
文章指出，可以采用非参数贝叶斯公式来防止过拟合，实现模型选择。通过加强贝叶斯层次结构来避免欠拟合，并描述了执行单点估计和采样网络分区的有效算法。
混合成员随机块模型（MMSB）的变分推断算法有什么特点？
MMSB的变分推断算法是一种快速近似后验推断的通用算法，能够捕捉混合成员潜在关系结构，提供对象特异性低维表示。该算法已应用于社交和蛋白质交互网络。
随机块模型在社区检测中的可检测性极限是什么？
文章调查了随机块模型在社群检测中的基本极限，涉及信息理论和计算统计学问题，并列举了几种主要算法用于实现这些极限。还讨论了网络中模块化结构可检测性的根本限制。
如何利用随机块模型预测网络中的缺失链接和虚假链接？
文章展示了如何利用推断的随机块模型来预测丢失和虚假链接。通过贝叶斯推断从网络数据中提取模块化结构，并基于模型进行链接预测。
动态标记网络模型如何结合时间先验进行推断？
文章提出了一种基于混合成员聚类的时间先验动态标记网络模型推断方法，该方法具有很强的鲁棒性和需要较少的训练数据，并拓宽了机器学习在社会科学等领域的应用。
标记随机块模型的谱聚类算法时间复杂度是多少？
针对标记随机块模型中的社群检测问题，文章研究了一种基于谱方法的算法，通过观察随机标签，找到至多s个错误分类项的聚类算法，其时间复杂度为O(npolylog(n))。
