[論文レビュー] Analytical Formulation of the Block-Constrained Configuration Model

Giona Casiraghi|arXiv (Cornell University)|Nov 12, 2018

Complex Network Analysis Techniques参考文献 32被引用数 4

ひとこと要約

本稿では、エッジ再接続時にブロック構造の制約を課すことにより、次数分布とコミュニティ構造の両方を保持する、ブロック制約付き構成モデル（BCCM）を紹介する。このモデルは解析的に取り扱いやすく、一般化超幾何エンsembleフレームワーク（gHypEG）を用いて効率的に適合可能であり、実世界のネットワークにおける正確なコミュニティ検出とAIC/BICを用いたモデル選択を可能にする。

ABSTRACT

We provide a novel family of generative block-models for random graphs that naturally incorporates degree distributions: the block-constrained configuration model. Block-constrained configuration models build on the generalised hypergeometric ensemble of random graphs and extend the well-known configuration model by enforcing block-constraints on the edge generation process. The resulting models are analytically tractable and practical to fit even to large networks. These models provide a new, flexible tool for the study of community structure and for network science in general, where modelling networks with heterogeneous degree distributions is of central importance.

研究の動機と目的

• 標準的なストークスティックブロックモデル（SBM）が実際の次数系列を再現できないという限界を克服し、次数の不均一性をブロック構造モデリングに自然に統合すること。
• 実際のネットワークの次数系列を保持しつつ、コミュニティまたはブロック構造の制約を課す生成モデルの開発。
• 一般化超幾何エンsembleフレームワーク（gHypEG）を用いて、大規模ネットワークにおける高速で解析的な推論とモデル選択を可能にすること。
• エッジ生成プロセスに次数補正を直接埋め込むことで、次数補正付きブロックモデルの柔軟で原理的である代替案を提供すること。
• 実世界のグラフを用いたモデル適合と比較を通じて、BCCMの有効性をAIC、BIC、情報基準を用いて示すこと。

提案手法

• BCCMは、エッジ再接続を事前に定義されたブロック内に制限することで、元の次数系列を保持する。
• エッジ確率が頂点の次数とブロック固有の傾向に依存する一般化超幾何エンsembleのランダムグラフ（gHypEG）を基盤として用いる。
• モデルはブロック構造を持つ傾向行列Ωを定義し、エッジ確率が次数とブロック所属関係の両方に依存するようにし、ブロック制約付きのエッジ形成を保証する。
• gHypEGの閉形式確率分布により、効率的な尤度計算、パラメータ推定、および情報基準（AIC/BIC）を用いたモデル評価が可能になる。
• 有向・無向グラフ、自己ループの有無を問わず対応可能であり、異種の頂点またはエッジ属性への拡張も可能である。
• モデル適合はgHypEGフレームワーク下での尤度最大化により実施され、ブロック構造はコミュニティ検出アルゴリズムから推定される。

実験結果

リサーチクエスチョン

• RQ1 生成ランダムグラフモデルは、実世界のネットワークの実測次数系列とブロック構造の両方を保持できるか？
• RQ2 ブロック制約付き構成モデル（BCCM）は、標準的なSBMや次数補正付きモデルよりも実世界のネットワークにより適切にフィットするか？
• RQ3 gHypEGフレームワークは、コミュニティ構造を有する大規模ネットワークに対して、高速で解析的な推論とモデル選択を可能にするか？
• RQ4 AIC や BIC などの情報基準によって決定される最適なブロック数は、実世界のネットワークのモデリングにおいて何か？
• RQ5 BCCMは、既存のコミュニティ検出アルゴリズムと比較して、モデルフィットと統計的有意性の観点で優れているか？

主な発見

• BCCMは、実世界のネットワークの次数分布を保持しつつブロック構造を強制するが、臨時の次数補正の必要がない。
• rfidネットワークでは、fast_greedyおよびlouvainアルゴリズムが最小のAIC（44721.18）とBIC（68161.88）を達成し、テストされた手法の中で最良のモデルフィットを示した。
• karateネットワークでは、louvainアルゴリズムが最小のAIC（1707.768）とBIC（3669.947）を達成し、最小の情報損失を伴う最適なブロック分割を示した。
• USairportsネットワークでは、louvainアルゴリズムが21のブロックを検出し、最小のAIC（1210517）とBIC（5808828）を達成し、グラフの非連結性によりspinglassが失敗したにもかかわらず、他のアルゴリズムを上回った。
• enronネットワークでは、louvainアルゴリズムが最小のAIC（328924.2）とBIC（659185.1）を達成し、そのブロック分割に強い統計的根拠があることを示した。
• このフレームワークにより、尤度比検定と情報基準に基づくモデル選択が可能となり、ブロック構造の統計的有意性を評価する原理的かつ整合的な手法が提供された。