[論文レビュー] A Real-Time Detecting Algorithm for Tracking Community Structure of Dynamic Networks

Jiaxing Shang, Lianchen Liu+5 more|arXiv (Cornell University)|Jul 10, 2014

Complex Network Analysis Techniques参考文献 27被引用数 41

ひとこと要約

本稿では、計算量が低い動的ネットワークにおけるコミュニティ構造のリアルタイムでインクリメンタルな追跡アルゴリズムを提案する。Blondelらのコミュニティ検出法で初期化し、効率的な更新ルールを適用することで、時間経過に伴い高いモジュラリティを維持する。Enron Emailおよび他の3つの実世界データセットにおいて、CNMアルゴリズムを上回る性能を発揮する。

ABSTRACT

In this paper a simple but efficient real-time detecting algorithm is proposed for tracking community structure of dynamic networks. Community structure is intuitively characterized as divisions of network nodes into subgroups, within which nodes are densely connected while between which they are sparsely connected. To evaluate the quality of community structure of a network, a metric called modularity is proposed and many algorithms are developed on optimizing it. However, most of the modularity based algorithms deal with static networks and cannot be performed frequently, due to their high computing complexity. In order to track the community structure of dynamic networks in a fine-grained way, we propose a modularity based algorithm that is incremental and has very low computing complexity. In our algorithm we adopt a two-step approach. Firstly we apply the algorithm of Blondel et al for detecting static communities to obtain an initial community structure. Then, apply our incremental updating strategies to track the dynamic communities. The performance of our algorithm is measured in terms of the modularity. We test the algorithm on tracking community structure of Enron Email and three other real world datasets. The experimental results show that our algorithm can keep track of community structure in time and outperform the well known CNM algorithm in terms of modularity.

研究の動機と目的

• 動的ネットワークにおけるコミュニティ構造を効率的に追跡する課題に対処すること。
• 静的ネットワーク向けの従来のモジュラリティベースのアルゴリズムと比較して、計算量を低減すること。
• ネットワークの進化に伴い、細かくリアルタイムにコミュニティ構造を更新できること。
• 完全な再計算なしに、インクリメンタルな更新においても高いモジュラリティを維持すること。

提案手法

• 静的ネットワーク向けの高速グリーディアルゴリズム（Blondelらによる）を用いて、初期のコミュニティ構造を検出する。
• 新しいエッジやノードが追加されるたびに、インクリメンタルな更新戦略を適用してコミュニティを適応させる。
• 影響を受けるノードとコミュニティにのみ焦点を当てることで、完全な再計算を回避する。
• 局所的なモジュラリティ最適化によって、コミュニティの全体的構造を保持するように更新をガイドする。
• 実装に適した計算コストの低いアルゴリズムとして設計されており、リアルタイムでの適用に適している。
• コミュニティの更新を評価・ガイドする主な指標として、モジュラリティが用いられる。

実験結果

リサーチクエスチョン

• RQ1 低計算量のアルゴリズムは、動的ネットワークにおける進化するコミュニティ構造を追跡する際、高いモジュラリティを維持できるか？
• RQ2 インクリメンタルな更新戦略は、完全な再計算と比較して、モジュラリティと効率性の面でどのように異なるか？
• RQ3 本アルゴリズムは、実世界の動的ネットワークにおいて、リアルタイムでコミュニティの進化を追跡できるか？
• RQ4 提案手法は、CNMのような既存のアルゴリズムと比較して、モジュラリティおよび計算コストの両面で優れているか？

主な発見

• 提案アルゴリズムは、Enron EmailデータセットにおいてCNMアルゴリズムを上回る高いモジュラリティを達成した。
• 計算オーバーヘッドを最小限に抑えながら、すべてのテスト対象の動的ネットワークデータセットで高いモジュラリティを維持した。
• インクリメンタルな更新メカニズムにより、ネットワークの完全再処理なしにリアルタイムでの追跡が可能になった。
• スケーラビリティに優れており、大規模な動的ネットワークに適している。
• 実験結果から、本アルゴリズムは時間的分解能を細かく保ちながらコミュニティの進化を追跡できる能力が裏付けられた。