[論文レビュー] Axioms for graph clustering quality functions

Twan van Laarhoven, Elena Marchiori|arXiv (Cornell University)|Aug 15, 2013

Complex Network Analysis Techniques参考文献 31被引用数 38

ひとこと要約

本稿は、グラフクラスタリングの品質関数の公理的枠組みを提案し、距離ベースのクラスタリングから取り入れた4つの性質と、グラフ固有の2つの性質を含む6つの核心的性質を特定することで、品質関数の評価と設計を支援する。標準的なモジュラリティが単調性や局所性といった重要な公理を満たさないことが示され、これに伴い、すべての公理を満たし、正規化カット、非正規化カット、Reichardt-Bornholdtのモジュラリティを一般化する2パラメータの品質関数「適応的スケールモジュラリティ」が導入される。

ABSTRACT

We investigate properties that intuitively ought to be satisfied by graph clustering quality functions, that is, functions that assign a score to a clustering of a graph. Graph clustering, also known as network community detection, is often performed by optimizing such a function. Two axioms tailored for graph clustering quality functions are introduced, and the four axioms introduced in previous work on distance based clustering are reformulated and generalized for the graph setting. We show that modularity, a standard quality function for graph clustering, does not satisfy all of these six properties. This motivates the derivation of a new family of quality functions, adaptive scale modularity, which does satisfy the proposed axioms. Adaptive scale modularity has two parameters, which give greater flexibility in the kinds of clusterings that can be found. Standard graph clustering quality functions, such as normalized cut and unnormalized cut, are obtained as special cases of adaptive scale modularity. In general, the results of our investigation indicate that the considered axiomatic framework covers existing `good' quality functions for graph clustering, and can be used to derive an interesting new family of quality functions.

研究の動機と目的

• 距離ベースのクラスタリングからグラフベースのクラスタリングへと公理的作業を拡張し、グラフクラスタリングの品質関数が満たすべき直感的な性質を形式化すること。
• グラフに特化した一連の公理に照らして、既存の品質関数（例：モジュラリティ）の整合性を検証することで、その欠陥を特定すること。
• 提案されたすべての公理を満たす新たな柔軟な品質関数の族を導出することで、より原理的かつ頑健なグラフクラスタリングを可能にすること。
• 既存の手法（正規化カット、非正規化カット）が、提案された枠組みの特殊ケースとして導かれることが示されること。
• 品質関数の設計に対して公理的視点を用いることで理論的裏付けを提供し、ネットワークコミュニティ検出における解釈可能性と一貫性を向上させること。

提案手法

• グラフクラスタリングの品質関数のための6つの公理を提案：置換不変性、スケール不変性、豊富性、単調性、連続性、局所性 — 4つはKleinbergおよびAckerman & Ben-Davidのものから適応され、2つはグラフ固有の新規公理。
• パラメータ $M$ と $γ$ を持つパラメトリックな品質関数「適応的スケールモジュラリティ」を導入し、$Q_{M,γ}(G,C) = \sum_{c \in C} \left( \frac{w_c}{M + \gamma w_c + \gamma b_c} - \left( \frac{w_c + b_c}{M + \gamma w_c + \gamma b_c} \right)^2 \right)$ で定義される。ここで $w_c$ はクラスタ $c$ の内部重み、$b_c$ は外部重みである。
• 適応的スケールモジュラリティがすべての6つの公理を満たすことを証明し、特に標準的なモジュラリティが失敗する単調性と局所性を満たしていることを示す。
• 極限 $M \to 0$ において、適応的スケールモジュラリティが正規化カットと等価な形に収束することを示し、$M \to \infty$ では非正規化カットに近づくことを示す。
• 数学的補題を用いて、任意のクラスタリングに対して、適切な辺重みスケーリングのもとで真のクラスタリングが品質関数の最大値を達成することを示し、豊富性を証明する。
• 偏微分を用いて単調性を分析し、内部重み ($w_c$) の増加および外部重み ($b_c$) の減少が品質関数の値を向上させることを示す。

実験結果

リサーチクエスチョン

• RQ1 グラフクラスタリングの品質関数が、直感的に妥当で理論的に堅牢であるとされるために満たすべき性質は何か？
• RQ2 広く使われているモジュラリティ関数は、特に単調性と局所性の公理を満たしているのか？
• RQ3 すべての公理を満たし、正規化カットや非正規化カットといった既存手法を一般化する新たな品質関数の族を導出できるか？
• RQ4 適応的スケールモジュラリティのパラメータ $M$ と $γ$ は、検出されるクラスタの解像度と柔軟性にどのように影響を与えるか？
• RQ5 公理的枠組みを用いて、ネットワーク科学における既存のクラスタリング品質関数を形式的に正当化または改善できるか？

主な発見

• モジュラリティは単調性と局所性の公理を満たさないため、グラフクラスタリングにおける理論的整合性に根本的な限界を有する。
• 適応的スケールモジュラリティは、連続性と局所性というグラフ固有の新規公理を含む、すべての6つの公理を満たす。
• 適応的スケールモジュラリティ関数は豊富性が証明されており、任意のクラスタリングに対して、そのクラスタリングが最大の品質を達成するようなグラフと辺重みが存在することが示された。
• 極限 $M \to 0$ において、適応的スケールモジュラリティは正規化カットと等価な形に収束する。$M \to \infty$ では非正規化カットに近づく。
• $\gamma = 0$ とすると、Reichardt-Bornholdtのモジュラリティに類似したパラメトリックな形が得られ、このモデルが複数の既存手法を一般化していることが示された。
• 偏微分の分析により、内部辺重みの増加と外部重みの減少が品質スコアの向上に寄与することが数学的に厳密に裏付けられ、単調性の妥当性が確認された。