[論文レビュー] A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning

Di Jin, Zhizhi Yu+6 more|arXiv (Cornell University)|Jan 3, 2021

Complex Network Analysis Techniques参考文献 160被引用数 53

ひとこと要約

本調査は、コミュニティ検出法を確率的グラフィカルモデルと深層学習の2つのカテゴリに分けた統一的な見解を提示し、ベンチマークデータセットと今後の方向性を提供します。理論分析、分類法、および学習ベースのアプローチの実用的リソースを強調します。

ABSTRACT

Community detection, a fundamental task for network analysis, aims to partition a network into multiple sub-structures to help reveal their latent functions. Community detection has been extensively studied in and broadly applied to many real-world network problems. Classical approaches to community detection typically utilize probabilistic graphical models and adopt a variety of prior knowledge to infer community structures. As the problems that network methods try to solve and the network data to be analyzed become increasingly more sophisticated, new approaches have also been proposed and developed, particularly those that utilize deep learning and convert networked data into low dimensional representation. Despite all the recent advancement, there is still a lack of insightful understanding of the theoretical and methodological underpinning of community detection, which will be critically important for future development of the area of network analysis. In this paper, we develop and present a unified architecture of network community-finding methods to characterize the state-of-the-art of the field of community detection. Specifically, we provide a comprehensive review of the existing community detection methods and introduce a new taxonomy that divides the existing methods into two categories, namely probabilistic graphical model and deep learning. We then discuss in detail the main idea behind each method in the two categories. Furthermore, to promote future development of community detection, we release several benchmark datasets from several problem domains and highlight their applications to various network analysis tasks. We conclude with discussions of the challenges of the field and suggestions of possible directions for future research.

研究の動機と目的

• 学習ベースのコミュニティ検出法の統一的な概要を提供する。
• 2つのカテゴリ分類法を導入する：確率的グラフィカルモデルと深層学習ベースのアプローチ。
• 手法間の理論的な関係、課題、および差異を分析する。
• コミュニティ検出分野の今後の研究を促進するためにベンチマークデータセットを公開する。
• 実世界の応用と今後の研究の方向性について論じる。

提案手法

• 既存の手法を2つの主要カテゴリに分類する：確率的グラフィカルモデルと深層学習。
• 確率モデル内のサブカテゴリ（有向・無向・ハイブリッド）と深層学習内のサブカテゴリ（オートエンコーダ、GAN、GCN、およびグラフィカルモデルとのハイブリッド）を詳細に説明する。
• 代表的なモデルと学習パラダイムを説明する（例：確率的ブロックモデル、MMSB、トピックモデル、行列因子分解、グラフニューラルネットワーク）。
• 学習ベースのコミュニティ検出法の統一的なアーキテクチャビューを提供する。
• ベンチマークデータセットを公開し、さらなる研究を促すための応用について論じる。

実験結果

リサーチクエスチョン

• RQ1 コミュニティ検出における主要な学習ベースのパラダイムは何で、モデル仮定の点でどう異なるか？
• RQ2 確率的グラフィカルモデルと深層学習アプローチをどのように統一的な分類に整理できるか？
• RQ3 学習ベースのコミュニティ検出を特徴づける理論的洞察と実践的課題は何か？
• RQ4 分野の今後の研究を進めるのに役立つベンチマークリソースと応用事例は何か。

主な発見

• 本論文は、確率的グラフィカルモデルと深層学習に組織された学習ベースのコミュニティ検出の初の総合的概要を提供する。
• 手法間の類似点、相違点、および課題を分析し、今後の研究の方向性を5つ提案する。
• 統一されたシステムアーキテクチャが、統計的モデリングと深層学習アプローチを関連付ける。
• 分野横断のベンチマークデータセットと応用が公開され、今後の研究を支援する。
• 本調査はSBMのダイナミック、オーバーラップ、リンク・コミュニティ拡張および関連手法について論じる。
• 深層学習（GCN、オートエンコーダ、GANs）が高次元ネットワークデータの取り扱いにおいて従来の確率的モデリングを補完する点を強調する。