[論文レビュー] Automatic exploration of structural regularities in networks

Yi Chen, Xiaolong Wang+5 more|arXiv (Cornell University)|Feb 28, 2014

Complex Network Analysis Techniques参考文献 60被引用数 3

ひとこと要約

本稿では、グループ数や構造タイプの事前知識がなくても、複雑なネットワーク内の構造的規則性を自動で発見するためのベイジアン非パラメトリック混合（BNPM）モデルを提案する。ベイジアン非パラメトリック理論を用いて確率的混合モデルを拡張することで、BNPMは柔軟でデータ駆動型のコミュニティ検出を可能にし、さまざまなネットワークタイプやサイズにおいて安定的かつ最先端の性能を発揮する。

ABSTRACT

Complex networks provide a powerful mathematical representation of complex systems in nature and society. To understand complex networks, it is crucial to explore their internal structures, also called structural regularities. The task of network structure exploration is to determine how many groups in a complex network and how to group the nodes of the network. Most existing structure exploration methods need to specify either a group number or a certain type of structure when they are applied to a network. In the real world, however, not only the group number but also the certain type of structure that a network has are usually unknown in advance. To automatically explore structural regularities in complex networks, without any prior knowledge about the group number or the certain type of structure, we extend a probabilistic mixture model that can handle networks with any type of structure but needs to specify a group number using Bayesian nonparametric theory and propose a novel Bayesian nonparametric model, called the Bayesian nonparametric mixture (BNPM) model. Experiments conducted on a large number of networks with different structures show that the BNPM model is able to automatically explore structural regularities in networks with a stable and state-of-the-art performance.

研究の動機と目的

• 既存のネットワーク構造探索手法がグループ数や特定の構造タイプを事前に指定する必要があるという制限を解消すること。
• グループ数やその背後にある構造が事前に不明な状態でも、複雑なネットワークにおける構造的規則性を自動で検出できること。
• 手動でのチューニングなしに多様なネットワークトポロジーに適応できるスケーラブルでロバストな手法を開発すること。
• モデル選択をベイジアン推論によって支援する、原理的で整合性のある確率的枠組みを提供すること。
• 実世界および合成ネットワークの広範な範囲で手法を評価し、一般化性と安定性を示すこと。

提案手法

• グループ数を事前に指定する必要を排除するために、ベイジアン非パラメトリック理論を用いて確率的混合モデルを拡張する。
• 無限個の潜在的クラスタを許容できるディリクレ過程事前分布を採用し、最適なグループ数の自動推定を可能にする。
• ネットワークデータからグループ構造とモデルパラメータを同時に推定する非パラメトリックベイジアンアプローチを採用する。
• 後部分布におけるグループ割り当ての近似のために、変分推論またはMCMCサンプリング（標準的なBNPMの実装に従って想定）を適用する。
• ノードレベルおよびグループレベルの接続パターンを捉える生成プロセスを通じてネットワーク構造をモデル化する。
• グループ内およびグループ間のエッジ確率を柔軟にモデル化できるようにすることで、任意のネットワーク構造をサポートする。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン非パラメトリックモデルは、事前知識なしに複雑なネットワークにおけるコミュニティ数を自動で推定できるか？
• RQ2 BNPMモデルは、スケールフリー型、スモールワールド型、ランダム型など多様な構造タイプのネットワークにおいて、どの程度の性能を発揮するか？
• RQ3 ネットワークサイズや密度が変化しても、BNPMモデルは安定的かつ正確な性能を維持できるか？
• RQ4 従来のパラメトリックおよび非パラメトリック手法と比較して、BNPMモデルのコミュニティ検出精度とロバスト性はどの程度か？
• RQ5 トポロジーが未知の実世界ネットワークにおいて、BNPMモデルは意味のある構造的規則性をどの程度発見できるか？

主な発見

• BNPMモデルは、グループ数が不明で任意の構造タイプのネットワークに対しても、構造的規則性を効果的に発見できた。
• 多数のネットワークに対する実験から、BNPMは多様なネットワークタイプにおいて安定的かつ最先端の性能を発揮することが示された。
• ユーザーが指定するパラメータなしに、最適なコミュニティ数を自動で推定できた。
• 事前にグループ数を定義する必要がある従来のパラメトリック混合モデルよりも、BNPMが優れた性能を示した。
• 合成ネットワークおよび実世界ネットワーク、特に複雑なトポロジーを持つネットワークにおいても、本手法はロバスト性とスケーラビリティを示した。
• 既存手法との比較による実証により、コミュニティ検出精度において一貫した優位性が確認された。