离散混合模型的最优聚类：二项式、泊松、块模型和多层网络

本文研究了多层网络的聚类网络的基本极限。

展示了在混合多层随机块模型下的最小极大网络聚类错误率。

该错误率采用指数形式，并由边概率分布的Renyi散度描述。

提出了一种新型两阶段网络聚类方法，包括基于张量的初始化算法和基于似然的Lloyd算法。

网络聚类需与节点社区检测相结合。

算法实现了最小极大网络聚类错误率，并允许在MMSBM下处理极稀疏网络。

数值模拟和实际数据实验证明该方法优于现有方法。

方法和分析框架扩展到离散分布混合，包括二项式、泊松和多层泊松网络。

在离散混合中，最优聚类错误率采用Renyi散度描述的相同指数形式。

提出的两阶段聚类算法也能达到离散混合中的最小极大聚类错误率。