Community Detection: Exact Recovery in Weighted Graphs
Community Detection: Exact Recovery in Weighted Graphs
复制标题
社区检测：加权图中的精确恢复
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Aria Nosratinia
中科院分区：
文献类型：
--
作者：
Mohammadjafar Esmaeili;Aria Nosratinia
在社区发现中，社区（簇）的准确恢复主要研究了一般随机块模型下的边缘提取伯努利分布。本文考虑了完全图中社区的精确恢复，其中图的边来自一组具有社区依赖均值和方差的高斯分布，或一组具有社区依赖均值的指数分布。对于每种情况下，我们引入了一个新的半度量，描述了充分和必要条件的精确恢复。充分必要条件是渐近紧的。分析也扩展到不完全的，完全连接的加权图。
In community detection, the exact recovery of communities (clusters) has been mainly investigated under the general stochastic block model with edges drawn from Bernoulli distributions. This paper considers the exact recovery of communities in a complete graph in which the graph edges are drawn from either a set of Gaussian distributions with community-dependent means and variances, or a set of exponential distributions with community-dependent means. For each case, we introduce a new semi-metric that describes sufficient and necessary conditions of exact recovery. The necessary and sufficient conditions are asymptotically tight. The analysis is also extended to incomplete, fully connected weighted graphs.
DOI：
10.1214/15-aap1145
发表时间：
2013-09
期刊：
--
影响因子：
--
作者：
Elchanan Mossel;Joe Neeman;A. Sly
通讯作者：
Elchanan Mossel;Joe Neeman;A. Sly
度相关随机块模型中置信传播的 EXIT 分析
DOI：
10.1109/isit.2016.7541404
发表时间：
2016
期刊：
IEEE International Symposium on Information Theory (ISIT
影响因子：
--
作者：
Saad, Hussein;Abotabl, Ahmed;Nosratinia, Aria
通讯作者：
Nosratinia, Aria
使用次要潜在变量进行社区检测
DOI：
10.1109/isit44484.2020.9174105
发表时间：
2020
期刊：
International Symposium on Information Theory
影响因子：
--
作者：
Esmaeili, Mohammad;Nosratinia, Aria
通讯作者：
Nosratinia, Aria