[論文レビュー] A Spectral Algorithm with Additive Clustering for the Recovery of Overlapping Communities in Networks

Emilie Kaufmann, Thomas Bonald+1 more|arXiv (Cornell University)|Jun 12, 2015

Complex Network Analysis Techniques参考文献 39被引用数 9

ひとこと要約

本稿では、隣接行列のスペクトル埋め込みと加法的クラスタリング段階を組み合わせることで、重複するコミュニティを回復するスペクトル的手法SAACを提案する。SBMO（重複付き stochastic blockmodel）の下で、コミュニティ数の事前知識を必要とせず一貫性を達成し、合成ネットワークおよび実世界のネットワークにおいて既存手法を上回る性能を示す。

ABSTRACT

This paper presents a novel spectral algorithm with additive clustering designed to identify overlapping communities in networks. The algorithm is based on geometric properties of the spectrum of the expected adjacency matrix in a random graph model that we call stochastic blockmodel with overlap (SBMO). An adaptive version of the algorithm, that does not require the knowledge of the number of hidden communities, is proved to be consistent under the SBMO when the degrees in the graph are (slightly more than) logarithmic. The algorithm is shown to perform well on simulated data and on real-world graphs with known overlapping communities.

研究の動機と目的

• 社会的・生物学的・共同執筆ネットワークに見られるように、重複するコミュニティを検出する課題に対処すること。
• 重複が存在する場合に元のコミュニティを回復できない従来の非重複コミュニティ検出手法の限界を克服すること。
• コミュニティ数の事前知識が不要な適応的で、SBMOモデル下で一貫性を示すスペクトル的手法を開発すること。
• 各コミュニティに正の割合の純粋ノードが存在し、最小期待次数がネットワークサイズの対数に等しいと仮定したもとで、SBMO下でのコミュニティ回復に理論的保証を提供すること。
• 合成データおよび実世界データの両方で、既存手法を上回る優れた性能を示す。特に、新たな事前処理ヒューリスティックを導入している。

提案手法

• 主成分の固有ベクトルに基づいて、ノードを低次元空間に隣接行列のスペクトル埋め込みによって投影する。
• 埋め込み空間におけるコミュニティ所属を加法的寄与としてモデル化する加法的クラスタリング段階を適用し、重複コミュニティ検出を可能にする。
• SBMOモデルにおける所属行列Zの推定というコミュニティ検出問題を定式化し、各ノードが二値所属ベクトルにより複数のコミュニティに属する仕組みを導入する。
• SBMOにおける加法的構造を活用し、埋め込みベクトルから直接重複コミュニティを回復するクラスタリング手順を設計する。
• データ駆動のアプローチを用いて、事前知識なしにコミュニティ数（ˆK）を推定する、アルゴリズムの適応的バージョンを導入する。
• 推定された所属行列 ˆZ を真のZと比較評価するため、Frobeniusノルムおよび置換不変な指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 スペクトル的手法が、コミュニティ数の事前知識なしに、重複コミュニティをネットワークから回復できるか？
• RQ2 SBMOモデルにおける加法的構造を活用することで、一貫的かつ正確なコミュニティ検出が可能になるか？
• RQ3 SAACの性能は、既存手法と比較して、特に重複コミュニティおよびスパースネットワークの状況下でどのように異なるか？
• RQ4 各コミュニティにおける純粋ノードの割合が、アルゴリズムの一致性および正確性に与える影響は何か？
• RQ5 隣接行列に基づくスペクトル手法に加法的クラスタリングを組み合わせることで、非還路行列のようなより複雑なツールを凌駆できるか、重複設定下で？

主な発見

• 各コミュニティに正の割合の純粋ノードが存在し、期待ノード次数がネットワークサイズの対数以上である限り、SBMOモデル下でSAACはコミュニティ回復に一貫性を示す。
• 合成ネットワークおよび実世界のネットワーク（共同執筆ネットワークやソーシャルネットワーク含む）において、既存手法を上回り、重複コミュニティの回復において最先端の正確性を達成する。
• 平均次数が低いスパースネットワークでも、SAACの性能は頑健であることが実験で示された。
• 次数クラスタリング（DC+SC）に基づく事前処理ステップにより、純粋ノードの特定が可能となり、スペクトルクラスタリングの前段階でサブコミュニティを検出できるようになり、性能向上が達成された。
• 理論的分析により、SAACは非重複ケースにおけるスペクトル検出の既知の閾値を下回るコミュニティ回復が可能であることが示され、重複設定下での感度向上が示唆された。
• 図5の実験結果により、特に中程度から高水準の重複領域では、SAACはDC+SCベースラインと比較して、所属行列の正しく分類されたエントリの割合が一貫して高いことが示された。