[論文レビュー] Clustering assortativity, communities and functional modules in real-world networks

Lovro Šubelj, Marko Bajec|arXiv (Cornell University)|Feb 15, 2012

Complex Network Analysis Techniques参考文献 1被引用数 10

ひとこと要約

本稿では、従来のコミュニティを超えて、実世界のネットワークにおける主要な組織的原則として、同じ構造的役割を持つノードのグループである機能的モジュールを導入する。新しいラベル伝播アルゴリズム（HP）を用いて、機能的モジュールが非社会的ネットワークにおけるクラスタリング、順性、構造的パターンを説明できることを示し、埋め込まれた機能的構造を持つ合成ネットワークおよび実際のネットワークにおいて、最先端のコミュニティ検出法を上回ることを実証した。

ABSTRACT

Complex networks of real-world systems are believed to be controlled by common phenomena, producing structures far from regular or random. Clustering, community structure and assortative mixing by degree are perhaps among most prominent examples of the latter. Although generally accepted for social networks, these properties only partially explain the structure of other networks. We first show that degree-corrected clustering is in contrast to standard definition highly assortative. Yet interesting on its own, we further note that non-social networks contain connected regions with very low clustering. Hence, the structure of real-world networks is beyond communities. We here investigate the concept of functional modules---groups of regularly equivalent nodes---and show that such structures could explain for the properties observed in non-social networks. Real-world networks might be composed of functional modules that are overlaid by communities. We support the latter by proposing a simple network model that generates scale-free small-world networks with tunable clustering and degree mixing. Model has a natural interpretation in many real-world networks, while it also gives insights into an adequate community extraction framework. We also present an algorithm for detection of arbitrary structural modules without any prior knowledge. Algorithm is shown to be superior to state-of-the-art, while application to real-world networks reveals well supported composites of different structural modules that are consistent with the underlying systems. Clear functional modules are identified in all types of networks including social. Our findings thus expose functional modules as another key ingredient of complex real-world networks.

研究の動機と目的

• 機能的モジュール（正則同値性によって定義される）が、非社会的実世界ネットワークにおける構造的性質を説明できるかどうかを調査すること。
• 生物学的および技術的ネットワークにおける低クラスタリング領域や次数の非順性構造を捉えられないコミュニティ検出法の限界を解消すること。
• モジュール数や構造に関する事前知識が不要な構造的モジュール検出手法を開発すること。
• スケールフリーで小世界的特性を持つネットワークを、調整可能なクラスタリングと次数混合性で生成できるネットワークモデルを提案すること。
• 機能的モジュールがコミュニティと共存しており、複雑なネットワーク構造を理解するために不可欠であることを示すこと。

提案手法

• モジュール数の事前知識が不要なラベル伝播アルゴリズム（HP）を提案。共有近傍と構造的類似性に基づいてラベルを伝播させることで、構造的モジュールを検出する。
• クラスタリングと次数混合性を制御できるモジュール要因（νg）を備えたネットワークモデルを導入。これにより、埋め込まれたコミュニティと機能的モジュールを有する現実的なスケールフリーで小世界的特性を持つネットワークを生成可能となる。
• 対照的手法として、対称的非負値行列分解（NF）、k-means（KM）、混合モデル（MM、CM）、構造的圧縮（IMD）、モデルベース伝播（MP）を用いる。
• ネットワーク構造を制御する混合パラメータ μ ∈ [0,1] を導入：μ=0 で完全モジュラー、μ=1 でランダム。
• HPアルゴリズムを、既知のコミュニティと機能的モジュール（二部・三部構造）を埋め込んだ合成ネットワーク（GN、GN2、HN6、HN7、LFR）および実世界ネットワーク（ソフトウェア、ブログ、食物連鎖）に適用。
• 正規化相互情報量（NMI）と調整ランダックス指数（ARI）を用いて、HPを最先端のアルゴリズム（LUV、IMP、NF、KM、MM、CM、IMD、MP）と比較評価する。

実験結果

リサーチクエスチョン

• RQ1 正則同値性によって定義される機能的モジュールは、非社会的ネットワークにおけるクラスタリングや次数の順性といった構造的性質を説明できるか？
• RQ2 従来のコミュニティ検出法は、生物学的および技術的ネットワークにおける低クラスタリング領域や非順性構造を捉えられていないか？
• RQ3 モジュール数や構造に関する事前知識が不要な、構造的モジュール検出の一般枠組みは存在するか？
• RQ4 シンプルなネットワークモデルで、調整可能なクラスタリングと次数混合性を持つ現実的なネットワークを生成できるか？そのモデルは実世界システムを反映しているか？
• RQ5 機能的モジュールはコミュニティと共存しており、ネットワークアーキテクチャをどのように形作っているのか？

主な発見

• 正則同値性によって定義される機能的モジュールは、コミュニティが低クラスタリング領域を説明できない非社会的実世界ネットワークにおいて、主要な構造的要素である。
• 埋め込まれた二部・三部構造を持つ合成ネットワークにおいて、HPアルゴリズムは最先端のコミュニティ検出法（LUV、IMP）を上回り、コミュニティおよび機能的モジュールの両方を効果的に検出する。
• 合成ネットワーク（GN2、HN6、HN7）において、植え込み済みの機能的モジュールを正確に検出できるのはHPとμが低い場合のMPのみであり、他のアルゴリズムはそれらをコミュニティと混同してしまう。
• すべてのテストした実世界ネットワーク（社会的ネットワークを含む）において、HPアルゴリズムは明確な機能的モジュールを検出でき、それらがシステムの機能に一致する構造的複合体を示している。
• 調整可能なモジュール要因 νg を備えたネットワークモデルは、現実的なクラスタリングと次数混合性を持つスケールフリーで小世界的特性を持つネットワークを効果的に生成でき、提案された枠組みの妥当性を裏付けている。
• k-meansクラスタリング（KM）が、同じベンチマークにおいて多くの高度なアルゴリズムを上回る性能を示しており、近傍の構造的類似性がモジュール検出の強力なシグナルである可能性を示唆している。