[論文レビュー] A time resolved clustering method revealing longterm structures and their short-term internal dynamics

Jonas I. Liechti, Sebastian Bonhoeffer|arXiv (Cornell University)|Dec 9, 2019

Complex Network Analysis Techniques参考文献 2被引用数 4

ひとこと要約

本論文は、時間的データ内の恒久的なダイナミッククラスタ（DC）を、時間点間の大多数の重複を追跡することで検出する時間分解能クラスタリング手法を紹介している。これにより、長期間にわたる構造的要素とその短期的内部ダイナミクス（例：分裂・融合プロセス）の同定が可能になる。この手法は柔軟性に富み、スケーラブルであり、従来の集約手法で失われる一時的サブクラスタダイナミクスを保持する。

ABSTRACT

The last decades have not only been characterized by an explosive growth of data, but also an increasing appreciation of data as a valuable resource. Their value comes with the ability to extract meaningful patterns that are of economic, societal or scientific relevance. A particular challenge is the identification of patterns across time, including those that might only become apparent when the temporal dimension is taken into account. Here, we present a novel method that aims to achieve this by detecting dynamic clusters, i.e. structural elements that can be present over prolonged durations. It is based on an adaptive identification of majority overlaps between groups at different time points and accommodates the transient decompositions in otherwise persistent dynamic clusters. Our method enables the detection of persistent structural elements with internal dynamics and can be applied to any classifiable data, ranging from social contact networks to arbitrary sets of time stamped feature vectors. It represents a unique tool to study systems with non-trivial temporal dynamics and has a broad applicability to scientific, societal and economic data.

研究の動機と目的

• タイムスタンプ付きデータにおける内部時間的ダイナミクスを有する恒久的構造的要素を特定する課題に対処すること。
• 特定のクラスタリングアルゴリズムに依存しない、柔軟でスケーラブルな動的クラスタ（DC）検出手法を開発すること。
• 標準的な集約手法で失われる、恒久的DC内の一時的サブクラスタダイナミクスの情報を保持すること。
• 動的クラスタリングの評価とパrameter化に用いる客観的指標「総整合性」を提供すること。
• 関係的・非関係的時系列データ、およびライブまたはストリーミングデータを含む多様なデータタイプへの応用を可能にすること。

提案手法

• 本手法は、任意のクラスタリングアルゴリズムからの時系列的クラスタ割り当てを入力とし、生データや特定のクラスタリング仮定を必要としない。
• 時間的連続スナップショット間のクラスタ間の大多数の重複に基づき、動的クラスタを定義し、時間的感度を制御するための履歴パラメータを用いる。
• ルールベースのフレームワークにより、DCが形成され、時間経過とともに維持・縮小・拡大・分裂・合体することができ、現実的な動的挙動をモデル化する。
• 本手法は重複するコミュニティ検出をサポートし、恒久的クラスタ内での一時的分解（例：分裂・融合ダイナミクス）を処理できる。
• 全クラスタの寿命整合性の重み付き平均として計算される「総整合性」測度を導入し、クラスタリング品質を客観的に評価する。
• アルゴリズムはデータソース数に対して線形にスケーリングされ、計算的に効率的であり、大規模データやストリーミングデータに適している。

実験結果

リサーチクエスチョン

• RQ1 タイムスタンプ付きデータにおける恒久的構造的要素を、その内部の短期的ダイナミクスを保持したまま信頼性高く検出する方法は何か？
• RQ2 時間経過とともに維持・分裂・合体・縮小が可能な、頑健な動的クラスタを定義する基準は何か？
• RQ3 分裂・融合プロセスなどの一時的サブクラスタ行動を、長期的クラスタ内に捉え、分析するにはどうすればよいか？
• RQ4 異なる動的クラスタリングの品質を定量化・比較するために用いることができる客観的指標は何か？
• RQ5 本手法は、単純な時間的集約法に比べて、意味のある動的パターンをどれほど効果的に保持できるか？

主な発見

• 本手法は、長期間にわたって持続する動的クラスタを効果的に検出するとともに、標準的な集約手法で失われる分裂・融合プロセスなどの一時的内部ダイナミクスを捉えることに成功している。
• 履歴パラメータが5以上の場合、動的クラスタ寿命の分布に高い整合性が見られ、長期的構造の安定した検出を示している。
• 12ステップの寿命を有するクラスタに顕著な不連続性が見られ、加重平均寿命が著しく増加しており、クラスタ安定性における重要な転換点を示している。
• 履歴パラメータが12〜22ステップの範囲で、総整合性が最大値を示しており、頑健な検出に最適なパrameter設定であることが示された。
• 総整合性測度により、動的クラスタリングの客観的比較が可能となり、本手法のパフォーマンスのパrameter化を支援する。
• 本手法は計算的に効率的であり、データサイズに対して線形にスケーリングされ、スナップショットあたりのクラスタ数がデータソース数に比例して増加しても、依然としてスケーラブルである。