[論文レビュー] Community Detection in Complex Networks Using Genetic Algorithms

Mursel Tasgin, Amaç Herdağdelen+1 more|ArXiv.org|Nov 4, 2007

Complex Network Analysis Techniques参考文献 12被引用数 280

ひとこと要約

本稿では、コミュニティ数の事前知識を必要とせずにネットワークモジュラリティを最適化する遺伝的アルゴリズムを提案する。特に弱い構造を持つネットワークにおいても競争力のある性能を示し、生成回数の増加に伴いロバストネスと収束性を示し、一部の合成ケースにおいてベースライン手法を上回る。

ABSTRACT

Community detection is an important research topic in complex networks. We present the employment of a genetic algorithm to detect communities in complex networks which is based on optimizing network modularity. It does not need any prior knowledge about the number of communities. Its performance is tested on two real life networks with known community structures and a set of synthetic networks. As the performance measure an information theoretical metric variation of information is used. The results are promising and in some cases better than previously reported studies.

研究の動機と目的

• ネットワーク内のコミュニティ数の事前知識を必要としないコミュニティ検出アルゴリズムの開発。
• 遺伝的アルゴリズムをコア探索手法として用いてネットワークモジュラリティを最適化すること。
• 合成ネットワークおよび実世界のネットワークにおける評価に、情報量の変動（variation of information）指標を用いること。
• Fast Newmanアルゴリズムと比較し、特にロバストネスと収束性の観点から評価すること。

提案手法

• アルゴリズムは、各エントリが頂点のクラスタ割り当てを表す整数ベクトルとしてネットワークの分割を表現する。
• 選択、交差、突然変異といった遺伝的操作を適用し、モジュラリティを最大化するクラスタ割り当ての集団を進化させる。
• モジュラリティ Q は標準式で計算される：Q = Σᵢ(eᵢᵢ − aᵢ²)，ここで eᵢᵢ はコミュニティ i 内の辺の割合、aᵢ はコミュニティ i に接続する辺の割合である。
• 推定された分割と真のコミュニティ構造を比較するための評価指標として、情報量の変動（VI）を用いる。
• 集団サイズと生成回数を調整して収束性と解の質を向上させる。
• コミュニティ強度（z_out で制御）を変化させた合成ネットワークと、既知のコミュニティ構造を持つ2つの実世界ネットワークで手法をテストする。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズムは、コミュニティ数の事前知識なしにネットワークモジュラリティを効果的に最適化できるか？
• RQ2 コミュニティ構造の強度が変化する条件下で、遺伝的アルゴリズムの性能は Fast Newman アルゴリズムと比べてどうなるか？
• RQ3 生成回数の増加は、遺伝的アルゴリズムの解の質と収束性を向上させるか？
• RQ4 遺伝的アルゴリズムはネットワークトポロジーとコミュニティ構造の変化に対してどれほどロバストか？
• RQ5 合成ネットワークおよび実世界ネットワークにおいて、最小限のパラメータチューニングで競争力のある結果を達成できるか？

主な発見

• 強いコミュニティ構造を示す合成ネットワークにおいて、遺伝的アルゴリズムは競争力のある性能を示し、一部のケースで Fast Newman を上回る。
• z_out 値が低い（強いコミュニティ構造）場合、Fast Newman が遺伝的アルゴリズムを上回る。これは収束速度の制限やパラメータ感度に起因する可能性がある。
• コミュニティ構造が弱くなる（z_out が高くなる）と、遺伝的アルゴリズムと Fast Newman の性能差が縮まり、ノイズに強いことが示された。
• 生成回数の増加に伴い解の質が向上し、ある閾値を超えると収束が確認された。計算リソースの増加に伴うスケーラビリティが示された。
• n=512 の大きなネットワークでも、真のコミュニティ数を事前に知らない状態で、遺伝的アルゴリズムは Fast Newman と同等またはそれ以上の性能を維持した。
• 複数回の実行において結果の分散が小さく、分割推定のロバストネスと安定性が示された。