基于度校正符号随机块模型的异质度分布签名网络社区发现方法

本文提出度校正符号随机块模型（DCS2BM），通过整合最小信息长度准则（MML）和分量期望最大化算法（CEM），解决了签名网络在异质度分布（如dmin+=1, davg+=2.8）下的社区发现难题。实验显示其NMI>0.99，计算效率提升87.4%，为社交网络和生物系统分析提供新范式。

　　

Highlight

本研究首次提出DCS²BM模型，通过双参数（α/β）校正机制精准捕捉签名网络中正负边的异质度分布特征，其创新性体现在：

1. 1.

   采用正态分布采样的动态参数，解决传统SBM对d_max⁺=4等极端值的建模局限

2. 2.

   开发基于MML-CEM的联合优化框架，实现K值自动选择与参数估计同步完成

Overview of the DCS2BM Model

模型核心突破在于：

• •

  引入节点特异性校正因子α_i和β_j，分别调控正负边生成概率

• •

  通过EM算法迭代优化模块度矩阵Ω，克服传统方法在d_{avg⁺波动时的性能衰减问题}

Validation

在40,000节点测试中：

• •

  保持NMI>0.99稳定性的同时，运算耗时仅为基线方法的12.6%

• •

  对生物分子网络（如蛋白质互作网络）的社区划分准确率提升4.2%

Conclusions

DCS²BM为复杂生物网络（如神经元突触极性网络）提供首个支持异质度解析的数学框架，其组件式设计可扩展至动态网络分析领域。