[論文レビュー] Community Detection in Networks with Node Features

Yuan Zhang, Elizaveta Levina+1 more|arXiv (Cornell University)|Sep 3, 2015

Complex Network Analysis Techniques参考文献 35被引用数 12

ひとこと要約

本論文は、ネットワークの隣接行列とノード特徴量を統合することでコミュニティ構造を向上させる、特徴量固有の重みを学習する新しい共同コミュニティ検出手法を提案する。ストークスティックブロックモデル下で漸近的に一貫性があり、エッジのみまたは特徴量のみを使用する手法よりも優れており、不要な特徴量に対するロバスト性が向上し、ネットワークと特徴量の影響を柔軟に調整できる。

ABSTRACT

Many methods have been proposed for community detection in networks, but most of them do not take into account additional information on the nodes that is often available in practice. In this paper, we propose a new joint community detection criterion that uses both the network edge information and the node features to detect community structures. One advantage our method has over existing joint detection approaches is the flexibility of learning the impact of different features which may differ across communities. Another advantage is the flexibility of choosing the amount of influence the feature information has on communities. The method is asymptotically consistent under the block model with additional assumptions on the feature distributions, and performs well on simulated and real networks.

研究の動機と目的

• 現実のネットワークでは利用可能であるノード特徴量を無視する既存のコミュニティ検出手法の限界に対処すること。
• すべての特徴量を同等に扱うのではなく、コミュニティ構造に最も影響を与える特徴量を学習する共同検出基準を開発すること。
• コミュニティ検出におけるノード特徴量とネットワーク構造の相対的影響を柔軟に制御できること。
• 特徴量分布に関する追加の仮定を満たす場合、ストークスティックブロックモデル下で漸近的に一貫性を保証すること。
• 特徴量重み付きエッジ再重み付けによりコミュニティ構造を強化することで、検出精度を向上させること。

提案手法

• ノード特徴量の類似度から導出されるエッジ重みの重み付き和に基づく新しいコミュニティ検出基準を提案する。
• 異なる特徴量のコミュニティ検出における相対的重要性を最適化により学習するパrameterized重み付け方式を導入する。
• 計算可能性を確保するため、隣接行列に関して線形な基準を用い、$|\mathcal{E}_k|^{\alpha}$ を含む正規化項を導入して自明な解を防ぐ。
• ネットワーク構造と特徴情報のバランスをとるための共同目的関数を用いた、尤度に基づく最適化フレームワークを採用する。
• スペクトラルクラスタリングを再重み付けされた隣接行列に適用しコミュニティを同定するが、理論的整合性保証を備える。
• 異なるラベル付け間でのコミュニティラベルを整合させる変換を用い、漸近的解析における比較可能性を確保する。

実験結果

リサーチクエスチョン

• RQ1 ノード特徴量を組み込むことで、ネットワーク構造のみを使用する場合よりもコミュニティ検出の精度が向上するか？
• RQ2 特定のモデルを仮定せずに、どの特徴量がコミュニティ構造に最も有益かを学習する方法は何か？
• RQ3 コミュニティ検出において、ネットワークエッジ情報とノード特徴量情報の最適なバランスの取り方は何か？
• RQ4 ノード特徴量が存在する状況でも、共同検出手法がストークスティックブロックモデル下で一貫性を保てるか？
• RQ5 実際の応用において、既存の共同および単一情報源のコミュニティ検出手法と比較して、本手法の性能はいかがなものか？

主な発見

• 提案手法は、シミュレーテッドおよび実世界のネットワークにおいて、ネットワーク構造のみまたはノード特徴量のみを使用する手法よりも顕著に優れている。
• 特に特徴量がコミュニティ構造と完全に一致しないが情報量がある場合、ベンチマークの共同検出手法よりも高い調整ランダ指数（ARI）スコアを達成する。
• 特徴量分布が特定の正則性条件を満たす場合、ストークスティックブロックモデル下で漸近的に一貫性を示す。
• 理論的分析により、標本サイズが増加するに従い、真のコミュニティ構造に収束することが示され、誤差は$O_p(1/\sqrt{w_n \rho_n})$ のレートで減少する。
• 不要な特徴量を効果的に特定し、低減することでノイズを低減し、ロバスト性が向上する。
• 実験的結果により、ネットワークと特徴量情報のバランスを柔軟に制御でき、特徴量の関連性の度合いが変化しても性能が安定することが示された。