[論文レビュー] Complex Networks, Communities and Clustering: A survey

Biswajit Saha, Amitabha Mandal+2 more|arXiv (Cornell University)|Mar 21, 2015

Complex Network Analysis Techniques参考文献 40被引用数 9

ひとこと要約

本調査は、複雑ネットワークにおけるコミュニティ検出とクラスタリングについて包括的なレビューを提供しており、モジュラリティ、スモールワールド性、次数分布といった基礎的概念に加え、Girvan-Newman法、階層的クラスタリング、モジュラリティ最大化といった主なアルゴリズム的手法をカバーしている。また、重複コミュニティ、有向ネットワーク、コミュニティの進化といった現在の研究動向を統合し、分野における手法、課題、未解決問題について構造的な概要を提示している。

ABSTRACT

This paper is an extensive survey of literature on complex network communities and clustering. Complex networks describe a widespread variety of systems in nature and society especially systems composed by a large number of highly interconnected dynamical entities. Complex networks like real networks can also have community structure. There are several types of methods and algorithms for detection and identification of communities in complex networks. Several complex networks have the property of clustering or network transitivity. Some of the important concepts in the field of complex networks are small-world and scale-robustness, degree distributions, clustering, network correlations, random graph models, models of network growth, dynamical processes on networks, etc. Some current areas of research on complex network communities are those on community evolution, overlapping communities, communities in directed networks, community characterization and interpretation, etc. Many of the algorithms or methods proposed for network community detection through clustering are modified versions of or inspired from the concepts of minimum-cut based algorithms, hierarchical connectivity based algorithms, the original GirvanNewman algorithm, concepts of modularity maximization, algorithms utilizing metrics from information and coding theory, and clique based algorithms.

研究の動機と目的

• 複雑ネットワークにおけるコミュニティ検出とクラスタリングについて体系的なレビューを行うこと。
• モジュラリティ最大化や最小カット法を含む、主要なアルゴリズム的手法を特定し分析すること。
• 重複コミュニティ、有向ネットワーク、コミュニティの進化といった、新たな研究分野を探索すること。
• コミュニティ検出およびネットワーククラスタリングにおける現在の課題と未解決問題を統合すること。

提案手法

• 2000年から2015年までの複雑ネットワークコミュニティおよびクラスタリングに関する既存の文献を調査・分類すること。
• アルゴリズムを分類：最小カットに基づく、階層的接続性に基づく、モジュラリティ最大化、情報理論的、クリークベースの手法のカテゴリに分類すること。
• クラスタリング係数、次数分布、ネットワークの推移性といったコアな概念を分析すること。
• preferring attachment モデルやランダムグラフモデルを含む、ネットワーク成長のモデルをレビューすること。
• 主要なコミュニティ検出アルゴリズムの性能と限界を評価すること。
• 重複コミュニティ検出や動的コミュニティ進化といった最近の発展を強調すること。

実験結果

リサーチクエスチョン

• RQ1 コミュニティ構造とクラスタリングを支える複雑ネットワークの基本的特性は何であるか？
• RQ2 異なるコミュニティ検出アルゴリズムは、正確性、スケーラビリティ、耐障害性の観点でどのように比較できるか？
• RQ3 複雑ネットワークにおける重複コミュニティおよび進化するコミュニティの検出における主な課題は何であるか？
• RQ4 モジュラリティ、スモールワールド性、スケールフリー次数分布といった概念がコミュニティ検出にどのように影響を与えるか？
• RQ5 コミュニティ検出およびネットワーククラスタリング分野における現在の研究の最前線は何か？

主な発見

• Girvan-Newman法は、エッジのバッテンスを用いて反復的にエッジを削除することでコミュニティ構造を明らかにする、基盤的アプローチのままである。
• モジュラリティ最大化は広く使われており、大きな影響力を持つが、解像度の限界と初期化への感受性に課題を抱えている。
• 階層的クラスタリング手法はスケーラブルな解決策を提供するが、重複コミュニティ構造を効果的に捉えることは難しい。
• 情報理論的およびクリークベースのアプローチは代替的視点を提供するが、計算複雑性のため、あまり一般的に使われていない。
• 重複コミュニティと動的ネットワーク進化は、顕著な課題であり、活発な研究分野である。
• 有向ネットワークにおけるコミュニティ検出は、非対称な接続パターンのため、既存のアルゴリズムの特別な適合が必要となる。