SAN 阅读笔记
目录

参考文献阅读导览

本页目录
阅读设置
字号 标准

书末参考文献单元包含原书列出的 289 条条目，按作者—年份排序，覆盖随机图、中心性、 社区检测、半监督学习、时序网络、抽样、概率和谱方法。本页不是重排后的正式书目， 也不是对 289 条引用逐条重新核验；它提供“遇到什么问题时先读哪一类文献”的入口。 作者—年份写法沿用原书书目中的标识，精确题名、期刊和页码请回到书末参考文献页。

推荐阅读顺序

  1. 先用第 1–2 章确定问题和随机模型。
  2. 再根据目标选择中心性/谱、社区、半监督、时序或抽样方向。
  3. 需要证明工具时补 Vershynin、Horn–Johnson 等背景来源。
  4. 最后回到原书的 Further Notes 与相应年份的研究论文，区分教材式解释和论文中的更强假设。

随机图与网络模型

  • Hofstad (2016)：随机图与随机网络的系统背景，适合作为第 2 章 ER、度和连通性之外的延伸。
  • Durrett (2007)、Chung & Lu (2006)、Janson et al. (2011)：概率图论、随机图和度序列视角，适合比较不同稀疏性假设。
  • Bollobás (2001)：经典随机图论参考，适合回看阈值、连通性和渐近概率语言。
  • Barabási (2016)：网络科学的宽视角，可把优先连接、幂律和经验网络现象放回应用语境；它不能替代第 2 章的正式定义。
  • Avrachenkov et al. (2022)：非二元/时序 SBM 相关工作，适合在第 2 章的块模型和第 6 章的时序模型之间建立联系。

阅读问题：模型生成的是无向、加权还是时序网络？边是否独立？节点度是否固定或随机？ 块成员是给定的、待估的还是随时间变化的？这些问题比“模型名称相似”更能决定引用是否适用。

中心性、随机游走与网页排序

  • Bavelas (1950)：接近中心性的早期来源，适合配合第 3.1.1 节的距离类指标。
  • Freeman (1977)、Freeman et al. (1991)：介数、最大流等中心性谱系，适合比较最短路、流和电流解释。
  • Brin & Page (1998)：PageRank 的网页排序背景，适合配合转移矩阵和重启随机游走。
  • Kleinberg (1999)：HITS 与 hub/authority 互强化，适合比较左右奇异向量的角色。
  • Boldi & Vigna (2014)、Vigna (2016)：中心性公理化和谱/路径折扣视角，适合读第 3.2 节及 Further Notes。
  • Newman (2005)、Newman (2013, 2016)：网络指标和网络科学方法的统一背景，可用于辨别经验指标与模型化指标。
  • Gleich (2015)、Avrachenkov et al. (2014a, 2018d)：PageRank/PPR、带重启游走及其变体的算法和理论延伸。

阅读问题：指标是否要求强连通？平稳分布是否唯一？距离不可达时如何处理？分数是路径折扣、 停留时间还是电网络能量？这些条件决定不同中心性是否可直接比较。

社区检测、块模型与谱方法

  • Newman & Girvan (2004)：模块度和边介数社区检测的经典入口，适合进入第 4 章。
  • Karrer & Newman (2011)：度修正 SBM，适合比较普通 SBM 与度异质性。
  • von Luxburg (2007)：谱聚类教程式背景，适合配合 cut、归一化拉普拉斯和谱松弛。
  • Ghasemian et al. (2016) 与 Ghasemian (2019)：社区结构、可检测性和时序/动态网络的延伸问题。
  • Clauset et al. (2004) 与 Clauset et al. (2009)：前者讨论社区结构，后者讨论幂律分布与重尾拟合；适合对照第 2/4 章的模型选择与经验现象。
  • Abbe 等相关工作：原书书目中关于 SBM、社区恢复和信息论阈值的条目，适合在读完第 4.4 节后按问题检索；具体年份与题名以书末原表为准。

阅读问题：优化目标是什么？统计模型是什么？算法的松弛、局部最优或过拟合风险在哪里？ “发现一个划分”与“在给定误差标准下恢复真实标签”不是同一个结论。

半监督学习与图上的标签传播

  • Zhu & Ghahramani (2003)：标签传播的经典基线，适合从第 5.1.1 节进入。
  • Zhou (2004)：局部/全局一致性和标签传播视角，适合比较不同拉普拉斯正则化。
  • Avrachenkov et al. (2012)：图上的半监督学习与随机游走联系，适合连接第 3 章的 PPR 和第 5 章。
  • Le et al. (2017)、Jung et al. (2019)、Calder et al. (2020)：少量标签、Poisson/连续极限或高维图学习的延伸方向，阅读时需核对各自的图模型与标签假设。
  • Hein et al. (2007)：图上的能量、拉普拉斯和正则化背景，可作为第 5 章的数学补充。

阅读问题：标签是无噪 oracle 还是带噪观测？未标记点如何与标签点相连？目标是 MAP、平滑、 分类误差还是极限 PDE？附录 B 只服务于本书 Theorem 5.5 的证明，不应泛化成所有图 SSL 结果。

时序网络

  • Matias & Miele (2017)：时序网络统计模型的入口，适合配合第 6.1 节区分成员与交互。
  • Ghasemian et al. (2016) 与 Ghasemian (2019)：动态社区/时序网络中的恢复与结构变化问题。
  • Avrachenkov et al. (2022)：时序或非二元块模型的相关理论背景，适合与第 2 章 SBM 对读。
  • Decelle et al. (2011)、Moore et al. (2017)：消息传递、可检测性和稀疏网络推断的延伸阅读。
  • Xu & Hero (2014)、Bhattacharyya & Chatterjee (2020)、Barucca et al. (2018)：动态网络估计、社区和交互过程的不同建模路线。

阅读问题：成员标签是固定还是 Markov 变化？交互边是条件独立、Markov 还是由标签驱动？ 方法是在每个快照离线运行，还是在线更新？这些区别决定 VEM、BP、online likelihood 和 SSL 类比的边界。

抽样、随机游走与总体量估计

第 7 章的正式学习笔记尚待落地，但书末参考文献可先按下列顺序查阅：

  • Brémaud (1999)：Markov chains 与随机游走极限定理背景，适合核对 Theorem 7.1 的 CLT 语境。
  • Heckathorn (1997)、Salganik & Heckathorn (2004)、Volz & Heckathorn (2008)：RDS 的估计、抽样机制和社会网络应用背景。
  • Ribeiro & Towsley (2010)：网络爬取/随机游走抽样的估计视角。
  • Avrachenkov et al. (2016c)：轻量级 partial crawls 和网络抽样的相关问题。
  • Avrachenkov et al. (2018b)：第 7 章所引的抽样/游走估计方向，适合结合 MH、uniform jumps 和 motif counting 对读。

阅读问题：抽样分布是否均匀？游走是否已达到平稳？是否有重启、跳跃或 tour？估计目标是节点均值、 边量还是 motif 数？抽样设计改变了方差和偏差，不能只比较点估计。

概率与谱方法背景

  • Vershynin (2018)：高维概率、随机矩阵和浓缩语言，适合核对矩阵误差与高概率界。
  • Horn & Johnson (2012)：矩阵分析、特征值、范数和扰动的参考，适合配合附录 A/ B 的线性代数部分。
  • Hein et al. (2007)：图拉普拉斯、能量和图上的正则化。

这些来源是“查工具”的入口，不表示本项目已经对其中所有结论或版本做了独立复核。

书目状态与使用边界

原书参考文献页是本项目的权威书目层。当前导览刻意不生成另一份容易漂移的完整 bibliography， 也不把本页的主题归类写成原书作者的分类。若作者—年份出现同年多个条目（例如 2018a/2018b）， 必须以原书的字母后缀和题名为准。第 7 章、附录 A、索引和作者简介的独立学习入口尚待补齐， 但这不妨碍用本页规划延伸阅读。