[論文レビュー] Detecting and Localizing Anomalous Cliques in Inhomogeneous Networks using Egonets

Bhadra, Subhankar, Sengupta, Srijan|arXiv (Cornell University)|Jul 24, 2018

Complex Network Analysis Techniques参考文献 42被引用数 8

ひとこと要約

本稿では、大規模で非一様なネットワークにおける小さな異常なクリークの検出および局所化を、計算的に効率的なエゴネットベースの統計的手法として提案する。局所的近傍統計と二項分布の下尾確率から導かれた有意水準閾値を活用することで、クリークサイズがネットワーク全体に比べて小さい場合でも高い検出力が得られ、従来のコミュニティ検出手法に比べ、小さな密集した部分グラフの解明において優れた性能を発揮する。

ABSTRACT

Cliques, or fully connected subgraphs, are among the most important and well-studied graph motifs in network science. We consider the problem of finding a statisti- cally anomalous clique hidden in a large network. There are two parts to this problem: (1) detection, i.e., determining whether an anomalous clique is present, and (2) localization, i.e., determining which vertices of the network constitute the detected clique. While this problem has been extensively studied under the homogeneous Erdos-Renyi model, little progress has been made beyond this simple setting, and no existing method can perform detection and localization in inhomogeneous networks within finite time. To address this gap, we first show that in homogeneous networks, the anomalousness of a clique depends solely on its size. This property does not carry over to inhomogeneous networks, where the identity of the vertices forming the clique plays a critical role, and a smaller clique can be more anomalous than a larger one. Building on this insight, we propose a unified method for clique detection and localization based on a class of subgraphs called egonets. The proposed method generalizes to a wide variety of inhomogeneous network models and is naturally amenable to parallel computing. We establish the theoretical properties of the proposed method and demonstrate its empirical performance through simulation studies and application to two real world networks.

研究の動機と目的

• 静的ネットワークにおける異常部分グラフ検出という未だ十分に検討されていない問題に取り組むこと、特に小さな密集したクリークに焦点を当てる。
• 大きなスパースなバックグラウンドネットワークに埋め込まれたクリークでさえも検出・局所化できる手法を開発すること。
• 従来のコミュニティ検出手法の限界、特に解像度限界に起因する、小さな非対称なクリークの同定不能性を克服すること。
• 並列処理に適した統計的原則に基づいた、計算的に効率的なアプローチを提供すること。

提案手法

• 各ノードの周辺におけるエゴネット（局所的近傍）を用い、各ノードの即時近傍内に存在するエッジ数を計算する。
• 各エゴネットに対して、推定されたエッジ確率 $\hat{p}$ を用いた二項分布に基づくp値を計算し、異常なしという帰無仮説下での期待エッジ数をモデル化する。
• 全エゴネットのp値の最小値としてグローバルな検定統計量 $T_n$ を定義し、ノードのエゴネットp値が $\alpha/n$ 未満であればそのノードを異常とマークする。
• 2段階の推論を採用する：まず、ネットワーク全体から全体のエッジ確率 $\hat{p}$ を推定する。次に、エゴネット固有のp値を計算し、多重仮説検定補正を適用する。
• タイプI誤り率の制御と検出力の確保のため、濃度不等式と二項分布の尾確率の境界を用いた理論的保証を導出する。
• 局所的・ノード単位の計算構造のおかげで、ネットワークの非一様性に対しても頑健であり、計算スケーラビリティに優れる。

実験結果

リサーチクエスチョン

• RQ1 グローバルなコミュニティ検出が失敗するような大規模スパースネットワークにおいて、局所的エゴネットベース手法が、小さな密集した異常クリークを検出できるか？
• RQ2 異常クリークが小さく非対称な場合、スペクトルクラスタリングや他のコミュニティ検出手法と比較して、エゴネット手法はどの程度の性能を示すか？
• RQ3 さまざまなネットワークモデル下で、エゴネットベースの異常検出手順の理論的タイプI誤り率制御と検出力はどのようになるか？
• RQ4 本手法は、ネットワーク全体にわたり変動するエッジ確率を持つ非一様ネットワークに対し、どのように対処するか？

主な発見

• エゴネット手法は、たとえクリークが小さく（例：10ノード）、大規模なネットワーク（例：500ノード）に埋め込まれていても、その検出および局所化に成功し、このような状況下でスペクトルクラスタリングを上回る性能を示す。
• 理論的分析により、帰無仮説下でタイプI誤り率が $n \to \infty$ のとき $\alpha$ に収束することが示され、適切な誤り率制御が保証される。
• 対立仮説（クリークの存在）下では、漸近的に検出力が1に達する。これは、ネットワークサイズが増加するにつれて、クリークを高い確率で正しく同定できることを意味する。
• 本手法はネットワークの非一様性に対しても頑健であり、ストークスティックブロックモデルや Erdős–Rényi グラフを含むさまざまなネットワークモデルにおいて高い性能を維持する。
• シミュレーションスタディの結果、多様なネットワーク設定下でも、本手法は高い統計的パワーと低い偽陽性率を維持することが確認された。
• ベンチマークデータセットへの実験的応用結果から、本手法は金融取引サークルやソーシャルエコーチャンバーなどの意味のある異常部分グラフを同定できることを示している。