[論文レビュー] Community extraction in multilayer networks with heterogeneous community structure

James Wilson, John Palowitch+2 more|PubMed|Oct 20, 2016

Complex Network Analysis Techniques参考文献 23被引用数 27

ひとこと要約

本稿では、層ごとに異なったコミュニティ構造を示すマルチレイヤーネットワークにおけるコミュニティ検出のための、重要性に基づく手法であるMultilayer Extractionを提案する。ランダムグラフの帰無仮説モデルを用いて頂点-レイヤー集合のスコアを算出し、重複・非重複・恒常的コミュニティの検出を可能にするとともに、どのコミュニティにも属さない背景の頂点-レイヤー対を処理する。理論的整合性とシミュレーションおよび実応用における強固な実効性を有する。

ABSTRACT

Multilayer networks are a useful way to capture and model multiple, binary or weighted relationships among a fixed group of objects. While community detection has proven to be a useful exploratory technique for the analysis of single-layer networks, the development of community detection methods for multilayer networks is still in its infancy. We propose and investigate a procedure, called Multilayer Extraction, that identifies densely connected vertex-layer sets in multilayer networks. Multilayer Extraction makes use of a significance based score that quantifies the connectivity of an observed vertex-layer set through comparison with a fixed degree random graph model. Multilayer Extraction directly handles networks with heterogeneous layers where community structure may be different from layer to layer. The procedure can capture overlapping communities, as well as background vertex-layer pairs that do not belong to any community. We establish consistency of the vertex-layer set optimizer of our proposed multilayer score under the multilayer stochastic block model. We investigate the performance of Multilayer Extraction on three applications and a test bed of simulations. Our theoretical and numerical evaluations suggest that Multilayer Extraction is an effective exploratory tool for analyzing complex multilayer networks. Publicly available code is available at https://github.com/jdwilson4/MultilayerExtraction.

研究の動機と目的

• 層ごとに異なるコミュニティ構造を示すマルチレイヤーネットワークにおけるコミュニティ検出手法を、効果的に開発すること。
• 重複コミュニティおよびどのコミュニティにも属さない背景の頂点-レイヤー対を処理すること。
• マルチレイヤーストキャスティックブロックモデル下での手法の理論的整合性を確立すること。
• 多様なコミュニティ構造を有するシミュレーテッドネットワークおよび実世界の応用における性能を評価すること。
• 複雑なマルチレイヤーシステムの探索的分析に適した柔軟性・拡張性・解釈可能性を備えたツールを提供すること。

提案手法

• Multilayer Extractionは、固定次数のランダムグラフ帰無仮説モデルに基づく局所モジュラリティスコアを用いて、頂点-レイヤー集合の有意性を評価する。
• この手法は、帰無仮説モデル下での期待接続度に対して相対的な接続度を定量化するスコアを最適化する。
• 頂点やレイヤーが複数のコミュニティに属するか、あるいはすべてのコミュニティに属さないことを許容することで、重複コミュニティを扱える。
• スコアの向上に基づき反復的にコミュニティ割り当てを更新し、これ以上向上しない時点で終了する。
• スコアは頂点およびレイヤーの同時所属を組み込むことで、特定のレイヤー部分集合で活性化するコミュニティの検出を可能にする。
• マルチレイヤーストキャスティックブロックモデル下で理論的整合性が確立され、ネットワークサイズが増加するにつれて真のコミュニティに収束することが示された。

実験結果

リサーチクエスチョン

• RQ1 重要性に基づく手法は、層ごとに異なるコミュニティ構造を示すマルチレイヤーネットワークにおけるコミュニティ検出を可能にするか？
• RQ2 Multilayer Extractionは、非重複・重複・恒常的・非恒常的・階層的コミュニティ構造をどれほど正確に同定できるか？
• RQ3 マルチレイヤーストキャスティックブロックモデルのような理論的ネットワークモデル下でも、この手法は整合性と正確性を維持するか？
• RQ4 精度およびロバストネスの観点から、既存のマルチレイヤーコミュニティ検出手法と比較して、Multilayer Extractionはどのように差を示すか？
• RQ5 この手法は、大規模コミュニティの検出においてどのような限界を示し、その理由は何か？

主な発見

• シミュレーションにおいて、非重複・重複・恒常的・非恒常的ネットワーク構造のすべての真の埋め込みコミュニティを、完全な正確性で検出できた。
• 階層的コミュニティ構造では、特に1つの例でコミュニティ1のような大規模コミュニティを検出できなかった。
• 1つのシミュレーション（例VI）では、コミュニティ1と2が1つの大きなコミュニティに統合された。これは、大規模で疎なグループよりも、よりコンactまたは密集したグループを好む傾向があることを示唆している。
• コミュニティ内の頂点数とスコアの逆相関関係が、大規模コミュニティに対するバイアスの原因である可能性が示され、より大きな集合を報酬するようにスコアを修正する必要があると示唆された。
• 3つの実世界の応用および包括的なシミュレーションテストベッドにおいて、強固な実効性を示し、探索的ツールとしての有効性を確認した。
• マルチレイヤーストキャスティックブロックモデル下で理論的整合性が確立され、大規模な環境下での信頼性を裏付けた。