本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #150
- 日期：2026-03-18
摘要
預測網路中節點的標籤，例如社區成員資格或人口統計變量，是社交和生物網路應用中的一個重要議題。如果我們只能存取網路拓撲，最近發現的相變會對這些預測的準確性造成根本限制。然而，如果我們知道節點的某些部分 α 的正確標籤，我們可以做得更好。我們研究了由隨機區塊模型產生的網路的「半監督」學習問題的相圖。我們使用空腔方法和相關的置信傳播演算法來研究作為 α 的函數可以達到什麼精確度。對於 k = 2 組，我們發現對於任何 α > 0，可偵測性轉變都會消失，這與先前的工作一致。對於有困難但可偵測狀態的較大 k，我們發現簡單/困難轉換（高效演算法可以比機會做得更好的點）變成一條轉換線，其中精確度在 α 的臨界值處不連續跳躍。這條線終止於具有二階轉變的臨界點，超過該臨界點時，精確度是 α 的連續函數。我們在兩個現實世界網路中展示了品質相似的轉換。