[論文レビュー] Community Structure in Graphs

Santo Fortunato, Claudio Castellano|ArXiv.org|Dec 17, 2007

Complex Network Analysis Techniques被引用数 32

ひとこと要約

この論文は、社会学、コンピュータサイエンス、統計物理学の分野から得られた手法を網羅的にレビューし、グラフ内のコミュニティ検出について述べている。モジュラ構造（密に接続された頂点のグループ）を、モジュラリティ最適化、エッジのバーテンス、ランダムウォークなどの技術を用いて検出することに重点を置き、重複するコミュニティや階層的コミュニティの処理における主な進展を強調している。

ABSTRACT

Graph vertices are often organized into groups that seem to live fairly independently of the rest of the graph, with which they share but a few edges, whereas the relationships between group members are stronger, as shown by the large number of mutual connections. Such groups of vertices, or communities, can be considered as independent compartments of a graph. Detecting communities is of great importance in sociology, biology and computer science, disciplines where systems are often represented as graphs. The task is very hard, though, both conceptually, due to the ambiguity in the definition of community and in the discrimination of different partitions and practically, because algorithms must find ``good'' partitions among an exponentially large number of them. Other complications are represented by the possible occurrence of hierarchies, i.e. communities which are nested inside larger communities, and by the existence of overlaps between communities, due to the presence of nodes belonging to more groups. All these aspects are dealt with in some detail and many methods are described, from traditional approaches used in computer science and sociology to recent techniques developed mostly within statistical physics.

研究の動機と目的

• 社会学、コンピュータサイエンス、統計物理学の分野におけるコミュニティ検出手法を統合し、比較すること。
• 意味のある分割を特定するという根本的な課題に取り組むこと。特に、曖昧なまたは重複するコミュニティ構造を有する大規模で複雑なネットワークにおいて。
• 既存のアルゴリズムの長所と短所を評価すること。特に、重複するコミュニティや階層的コミュニティの処理における性能に注目する。
• コミュニティ構造が、キーノードの特定や粗粒度のネットワーク組織の理解といった、ネットワークの機能を理解する上で重要な役割を果たすことを強調すること。
• 普遍的でスケーラブルかつバイアスのないコミュニティ検出手法を実現するための未解決の課題を特定すること。

提案手法

• 内部接続の強さをランダムな期待値に対して最大化するパーティションを特定する主な手法として、モジュラリティ最適化を用いる。
• コミュニティ間のエッジを反復的に削除することで、階層的分解によってモジュラ構造を明らかにするために、エッジのバーテンス中心性を適用する。
• グラフ上の拡散過程を分析することでコミュニティを検出するため、ランダムウォークおよび同期化に基づく技術を用いる。
• zスコアと参加率を用いた頂点の役割分類を導入し、頂点の内部および外部コミュニティ接続性に基づいてその特徴を記述する。
• ノードがコミュニティを表し、エッジが重複や相互接続を表すようにコミュニティネットワークをグラフとしてモデル化し、その次数分布を分析する。
• 観察されたコミュニティネットワークの次数分布のべき乗則減衰を説明するため、優先的接続メカニズムを提案する。

実験結果

リサーチクエスチョン

• RQ1 グラフにおけるコミュニティとは何か。自動検出を可能にするために、これを形式化する方法は何か。
• RQ2 重複するコミュニティ構造および階層的コミュニティ構造は、コミュニティ検出アルゴリズムの性能と信頼性にどのように影響を与えるか。
• RQ3 コミュニティの数を事前に知らなくても、コミュニティ検出アルゴリズムが意味のあるパーティションを特定できる範囲はどの程度か。
• RQ4 特に大規模ネットワークにおいて、モジュラリティ最適化のような広く使われている手法にどのようなバイアスと制限があるか。
• RQ5 コミュニティ構造は、生物学的および社会的ネットワークにおける個々のノードの機能的役割をどのように推定するために利用できるか。

主な発見

• コミュニティ構造は、実世界のネットワークに広く見られる特徴であり、内部の接続が密で、グループ間の接続が疎であることが特徴で、ランダムグラフとは明確に区別される。
• モジュラリティ最適化は依然として人気のある手法であるが、解像度の限界があり、大規模ネットワークでは小さなコミュニティを検出できないことがある。
• エッジのバーテンスやランダムウォークに基づくアルゴリズムは、反復的なエッジ削除や拡散解析によって、階層的コミュニティ構造を効果的に明らかにできる。
• 重複するコミュニティは、コミュニティのネットワークとしてモデル化でき、その次数分布は初期に指数関数的減衰の後、べき乗則尾を示す。
• 参加率とzスコアは、頂点の役割を堅牢に分類するのに有効であり、複数のコミュニティを接続する「コネクタ」ノードは代謝ネットワークにおいて進化的な利点を示す。
• 顕著な進展にもかかわらず、現在のところ、スケーラビリティ、正確性、重複および階層的コミュニティの両方を効果的に処理できる単一の手法は存在しない。