stochastic block model
PulseAugur coverage of stochastic block model — every cluster mentioning stochastic block model across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的脉冲神经网络架构提升学习效率
研究人员正在探索脉冲神经网络（SNNs）的新架构，以提高其效率和能力。一种方法引入了模仿生物模块化和循环结构的社区循环SNNs（CoRe SNNs），该方法在强化学习任务中显示出与前馈方法相媲美甚至超越的潜力。另一项开发提出了一种受神经活动同步启发的局部学习框架，该框架绕过了计算成本高昂的随时间反向传播，从而在图像分类等任务上实现更快、更节能的训练。此外，还提出了一个受肌肉启发的模型，用于将SNN脉冲序列转换为连续信号，并在语音合成等…
-
新研究探索复杂网络中的高级社区检测 · 已追踪 2 个来源
两篇新研究论文探讨了复杂网络中社区检测的高级方法。第一篇论文介绍了三个利用节点相似性、图表示学习和各种聚类算法的分层框架，在某些数据集上与最先进的方法相比表现具有竞争力。第二篇论文对稀疏网络中谱聚类的 Bethe-Hessian 矩阵进行了严格分析，证实了其在特定条件下能够检测出 Kesten-Stigum 阈值以上的社区。
-
新方法在随机块模型中恢复Bethe Hessian特征向量
一篇新发表在arXiv上的论文详细介绍了一种在随机块模型的Kesten-Stigum机制下恢复Bethe Hessian的异常特征向量的方法。该技术将先前的恢复保证扩展到任何大于一的固定共同期望度数的情景，其性能与非回溯谱方法相当。该方法包括识别负异常特征值的递归公式，并使用极限泊松树及其格林函数来构建近似特征向量。
-
新的 DC^2SBM 模型增强了属性网络中的社区检测
研究人员推出了一种用于检测属性网络结构的新方法——双校正随机块模型 (DC^2SBM)。该模型通过独立建模拓扑和属性维度来解决现有方法的局限性，从而能够更准确地表示节点活动。实验表明，DC^2SBM 在社区检测准确性方面优于当前最先进的方法，尤其是在拓扑信号较弱的情况下。
-
新的T-ARC聚类方法利用拓扑纠正k-means的几何偏差
研究人员推出了一种新颖的拓扑感知随机聚类方法T-ARC，旨在克服传统k-means聚类固有的几何偏差。该新方法通过将数据的底层结构建模为潜在图，将拓扑信息直接整合到优化目标中。T-ARC结合了数据保真项和图割惩罚项，使用由持久同调（persistent homology）启发的随机块模型来捕获多尺度连通性。在合成和真实世界数据集（包括Fashion-MNIST）上的实验表明，T-ARC在恢复复杂拓扑结构方面表现优于k-means，并且…
-
新研究探讨图模型中的熵界限
Connor Loehde-Woolard 在 arXiv 上发表了一篇新论文，详细介绍了分段 Hölder 连续图模型熵的显式界限。该研究提出了关于图大小增加时归一化熵收敛速率的结果，详细证明可在附录中找到。这项工作推导了随机块模型和随机几何图模型的定量界限，提供了显式公式而非渐近陈述。
-
新算法简化了大规模网络分析的图节点选择
研究人员开发了一种从大型图中选择代表性节点的新算法，这是网络分析中的一项关键任务。这种称为“通过贪婪采样实现可扩展图核心集选择”的方法，无需完整的图拉普拉斯矩阵，使其适用于海量数据集。该算法基于最小内积规则迭代选择节点，仅需要访问拉普拉斯矩阵的子集列，并避免了计算密集型的特征分解或全局图遍历。在随机块模型下的理论分析表明，采样与簇大小成正比，并且对于带限图信号的误差可控，数值实验证实了其在合成和真实世界数据上的有效性。
-
新的扩散距离指标超越局部模式测量空间聚类
研究人员引入了一种名为扩散距离的新指标来测量空间聚类。该指标通过考虑全局图几何结构而非仅仅局部模式，扩展了像Moran's I这样的传统空间自相关度量。扩散距离源于图约束马尔可夫链下概率分布收敛率，具体使用了Metropolis-Hastings算法。所提出的方法为空间聚类提供了理论界限和统计检验，在合成数据上显示出比Moran's I更高的功效，并揭示了美国城市中城市隔离模式的细微差别。
-
新的凸规划方法在复杂网络中寻找稠密子矩阵
研究人员开发了一种新的方法，使用凸规划来识别大型矩阵中包含多个此类稠密区域的稠密子矩阵。该方法扩展了之前的工作，之前的工作通常只关注只有一个隐藏稠密子矩阵的矩阵。新技术旨在处理复杂网络和真实世界数据（如协作和通信网络）中更现实的场景。数值实验已在各种条件下对完美恢复的理论发现进行了经验验证。
-
进化优化揭示了储层计算中的结构约束
研究人员利用进化优化来探索储层计算架构在预测时空混沌方面的结构约束。通过基于五个超参数进化储层，他们观察到进化不仅提高了预测精度，还揭示了保守的光谱包络和对预测至关重要的精炼特定架构自由度。该研究表明，进化储层计算提供了一种受生物启发的理解预测需求如何塑造自适应动力学网络的方法。
-
新研究探讨具有众多社群的随机区块模型的相变
一篇新研究论文探讨了当社群数量超过节点数量平方根时的随机区块模型（SBM）的相变。该研究提供了证据支持 Chin 等人（2025）为这种多社群模型提出的新阈值。作者证明了在所有图密度下，低度多项式方法在此阈值以下会失效，并通过分析特定的图样出现情况，证明了在此阈值以上，即使在中等稀疏的条件下，社群恢复也是可能的。
-
新的谱稀疏化方法提高了图模型的准确性
研究人员开发了新的方法 Spectral-LCGGM 和 Spectral-HR，以提高拉普拉斯约束高斯和 Hüsler-Reiss 图模型的准确性和可扩展性。这些模型用于图信号处理和极值依赖建模等领域。新技术采用谱图稀疏化作为后估计步骤，创建比原始模型稀疏但与原始模型在谱上接近的拉普拉斯估计，从而提高密集图估计的可解释性和性能。
-
新算法改进超图中的社群检测
研究人员开发了新的超图社群检测谱算法，改进了非均匀模型的现有方法。其中一篇论文介绍了一种三步谱算法，该算法实现了部分恢复和弱一致性，特别适用于具有有界期望度数的稀疏随机超图。另一篇论文为一般非均匀超图随机块模型中的精确恢复建立了清晰阈值，并提出了达到最优性能的高效算法。