[論文レビュー] Community Detection via Facility Location

Jonathan W. Berry, Bruce Hendrickson+3 more|arXiv (Cornell University)|Oct 19, 2007

Complex Network Analysis Techniques参考文献 2被引用数 4

ひとこと要約

この論文は、施設配置問題としてコミュニティ構造をモデル化することで、局所モジュラリティの最小化変種に対する証明可能な下界を効率的に計算できる、新しいコミュニティ検出手法を提案する。新たなエッジサポート指標と確率的ラウンディングヒューリスティックを導入し、特に大規模または複雑なグラフにおいて、従来のモジュラリティに基づく手法に比べ、小さなコミュニティの解明と直感的なコミュニティ構造との整合性を向上させている。

ABSTRACT

In this paper we apply theoretical and practical results from facility location theory to the problem of community detection in networks. The result is an algorithm that computes bounds on a minimization variant of local modularity. We also define the concept of an edge support and a new measure of the goodness of community structures with respect to this concept. We present preliminary results and note that our methods are massively parallelizable.

研究の動機と目的

• 大規模グラフ内での小さなコミュニティを解明する際のモジュラリティベースのコミュニティ検出法の限界を克服すること。
• 施設配置理論を用いて、コミュニティ構造の品質を証明可能に束縛する新たな測度を構築すること。
• 局所的な構造的情報を活用し、スケーラブルで大規模並列処理が可能なコミュニティ検出アルゴリズムを構築すること。
• コミュニティ割り当てをサンプリングせずに評価できる、新たなエッジサポート指標を導入すること。

提案手法

• 論文は、局所モジュラリティの最小化変種を、容量制限なしの施設配置問題としてモデル化し、特殊な線形計画法技術を用いて効率的に解けるようにしている。
• 局所的近傍に基づいてコミュニティの品質を評価するが、グローバルなコミュニティ割り当てを必要としない、新たな測度「Strongly-Local Modularity (SLM)」を定義している。
• エッジサポートは、エッジの両端点または共通の隣接頂点の少なくとも一方がコミュニティ代表者となる確率に基づき、エッジがコミュニティ内に属する可能性を定量化している。
• 施設配置問題の解に対して確率的ラウンディングヒューリスティックを適用し、コミュニティ割り当てを生成しており、サポート分散を品質指標として用いている。
• 解法戦略は、1イテレーションあたり線形時間・線形空間で動作し、並列処理に非常に適した「Volumeアルゴリズム」を用いて、下位の線形計画問題を解いている。
• この手法は、解の品質に対する証明可能な下界を計算し、モジュラリティを補完する新たな指標であるサポート分散を用いて結果を評価している。

実験結果

リサーチクエスチョン

• RQ1 施設配置理論は、解の品質に対する証明可能な境界を提供するコミュニティ検出に効果的に適用可能か？
• RQ2 提案されたエッジサポート指標は、複雑または大規模ネットワークにおいて、モジュラリティよりも直感的なコミュニティ構造をよりよく特定できるか？
• RQ3 施設配置問題としてモデル化された局所モジュラリティの最小化変種は、標準的なモジュラリティ最大化法に比べ、小さなコミュニティをより効果的に解明できるか？
• RQ4 サポート分散指標は、モジュラリティに比べて、コミュニティ構造の品質を評価する際に、構造的直感にどのように適合するか？特に、モジュラリティが失敗する状況においては？
• RQ5 提案されたアルゴリズムは、大規模ネットワーク解析において、どの程度スケーラブルかつ並列処理可能か？

主な発見

• 施設配置に基づく手法は、コミュニティ割り当ての品質に対する証明可能な下界を計算でき、解の品質に理論的保証を提供する。
• エッジサポート指標は、Zacharyのケージボールクラブやリング・オブ・クリークスのデータセットにおいて、モジュラリティが失敗する場合でも、直感的なコミュニティ構造を的確に特定できた。
• リング・オブ・クリークスの例では、クリーク数が増加しても、この手法は小さな明確なコミュニティを維持するが、モジュラリティベースの手法はそれらを融合させてしまうため、小さなコミュニティの解像度が優れていることが示された。
• サポート分散指標はモジュラリティと補完的であり、構造的直感に敏感であることが示された。特に、モジュラリティが最大化されている場合でも、正しいコミュニティ分割ではサポート分散が低く保たれる。
• アルゴリズムは非常に並列処理可能であり、優先度キューではなく単純なネットワーク走査に依存しているため、スーパーコンピュータ上での実装に適している。
• 実験的結果から、施設配置に基づくヒューリスティック（SNL）は、特にモジュラリティが非直感的な融合を引き起こす場合に、一般的な直感や歴史的知見とより整合性の高いコミュニティ割り当てを生成することが分かった。