[論文レビュー] Convexified Modularity Maximization for Degree-corrected Stochastic Block Models

Yudong Chen, Xiaodong Li+1 more|arXiv (Cornell University)|Dec 28, 2015

Complex Network Analysis Techniques被引用数 9

ひとこと要約

本稿では、次数補正ステーショナリックブロックモデル（DCSBM）におけるコミュニティ検出のための凸最適化に基づく手法である凸化モジュラリティ最大化（CMM）を提案する。非凸なモジュラリティ最大化問題を緩和し、二重に重み付けされた ℓ₁-ノルム k-メディアン手順を適用することで、最小次数に依存しない非漸近的理論的保証を、平均次数が有界なスパースネットワークでさえも得られる。これは、最先端の性能を同等または上回る。

ABSTRACT

The stochastic block model (SBM) is a popular framework for studying community detection in networks. This model is limited by the assumption that all nodes in the same community are statistically equivalent and have equal expected degrees. The degree-corrected stochastic block model (DCSBM) is a natural extension of SBM that allows for degree heterogeneity within communities. This paper proposes a convexified modularity maximization approach for estimating the hidden communities under DCSBM. Our approach is based on a convex programming relaxation of the classical (generalized) modularity maximization formulation, followed by a novel doubly-weighted $ \ell_1 $-norm $ k $-median procedure. We establish non-asymptotic theoretical guarantees for both approximate clustering and perfect clustering. Our approximate clustering results are insensitive to the minimum degree, and hold even in sparse regime with bounded average degrees. In the special case of SBM, these theoretical results match the best-known performance guarantees of computationally feasible algorithms. Numerically, we provide an efficient implementation of our algorithm, which is applied to both synthetic and real-world networks. Experiment results show that our method enjoys competitive performance compared to the state of the art in the literature.

研究の動機と目的

• コミュニティ内での次数の不均一性を扱えない従来のステーショナリックブロックモデル（SBM）の限界を克服すること。
• 次数補正ステーショナリックブロックモデル（DCSBM）下での計算的に実行可能で統計的に頑健なコミュニティ検出手法の開発。
• 特にスパースな状況下での DCSBM におけるクラスタリング精度の非漸近的理論的保証の確立。
• 特にノード次数の不均一性が顕著なネットワークにおいて、理論的性能と実験的頑健性の面で既存手法を上回ること。
• 凸緩和と重み付き ℓ₁-ノルム k-メディアンクラスタリングを組み合わせることで、クラスタリング精度と計算の実行可能性を向上させること。

提案手法

• 古典的なモジュラリティ最大化定式化の凸プログラミング緩和を提案し、最適化問題の取り扱いやすさを向上させる。
• 凸緩和からの解を精緻化するための、新規の二重に重み付けされた ℓ₁-ノルム k-メディアンクラスタリング手順を導入する。
• DCSBM 下でのランダム行列のスペクトルノルムを制御するために、対称化とラデマッハ行列技術を用いる。
• タラグランドの集中不等式および行列集中の境界（例：トロップの定理）を適用し、高確率でのスペクトルノルム境界を導出する。
• 二段階のアプローチを採用：まずモジュラリティの凸緩和を行い、次にノード固有の重みを用いた ℓ₁-ノルム k-メディアンクラスタリングを実行することで、頑健性を向上させる。
• スペクトルノルムの制御と行列集中の理論的境界を用いてクラスタリング誤差の境界を導出し、スパースグラフでも性能が保証されることを示す。

実験結果

リサーチクエスチョン

• RQ1 モジュラリティ最大化の凸緩和は、DCSBM におけるコミュニティ検出に対して強い理論的保証を達成できるか？
• RQ2 提案手法は、平均次数が有界なスパースネットワークでも正確性を維持するか？
• RQ3 二重に重み付けされた ℓ₁-ノルム k-メディアン手順は、標準的なスペクトル法やモジュラリティベースの手法と比較して、クラスタリング性能を向上させられるか？
• RQ4 現実世界のネットワークに一般的な次数の不均一性とハブノードが存在する状況下で、この手法はどのように性能を発揮するか？
• RQ5 DCSBM において、既存の計算的に実行可能なアルゴリズムと比較して、この手法の理論的保証は同等またはそれを上回るか？

主な発見

• 提案された CMM 手法は、最小ノード次数に依存しない非漸近的近似クラスタリング保証を達成する。
• 理論的結果は、平均次数が有界なスパースな状況下でも成立し、多くの既存手法が失敗する領域でも有効である。
• SBM の特別な場合において、理論的性能は、計算的に実行可能なアルゴリズムの最良の既知の保証と一致する。
• 数値実験では、CMM が合成ネットワークおよび実世界のネットワーク（政治ブログデータセットを含む）で競争的な性能を示す。
• 理論的分析と実験的検証の両面から、次数の不均一性と外れ値ノードに対して、本手法は頑健であることが示された。
• 対称化と行列集中の理論的境界を用いて、ランダム隣接行列のスペクトルノルムに対する境界を導出し、強力なクラスタリング誤差制御を可能にした。