[論文レビュー] Detecting Communities in Complex Networks using an Adaptive Genetic Algorithm and node similarity-based encoding

Sajjad Hesamipour, Mohammad Ali Balafar+1 more|arXiv (Cornell University)|Jan 24, 2022

Complex Network Analysis Techniques被引用数 4

ひとこと要約

本稿では、複雑ネットワークにおけるコミュニティ検出のための、新規のMSTベースのノード類似度符号化を備えた適応的遺伝的アルゴリズム（GA）を提案する。類似度重み付きスパニングツリーと適応的正弦ベースの変異関数を活用することで、収束性が向上し、無効なパーティションを回避する。実験的評価において、従来のGAベースの手法を上回り、NMIおよびモジュラリティの面で最先端のアルゴリズムと同等の性能を示した。

ABSTRACT

Detecting communities in complex networks can shed light on the essential characteristics and functions of the modeled phenomena. This topic has attracted researchers of various fields from both academia and industry. Among the different methods implemented for community detection, Genetic Algorithms (GA) have become popular recently. Considering the drawbacks of the currently used locus-based and solution-vector-based encodings to represent the individuals, in this paper, we propose (1) a new node similarity-based encoding method to represent a network partition as an individual named MST-based. Then, we propose (2) a new Adaptive Genetic Algorithm for Community Detection, along with (3) a new initial population generation function, and (4) a new adaptive mutation function called sine-based mutation function. Using the proposed method, we combine similarity-based and modularity-optimization-based approaches to find the communities of complex networks in an evolutionary framework. Besides the fact that the proposed representation scheme can avoid meaningless mutations or disconnected communities, we show that the new initial population generation function, and the new adaptive mutation function, can improve the convergence time of the algorithm. Experiments and statistical tests verify the effectiveness of the proposed method compared with several classic and state-of-the-art algorithms.

研究の動機と目的

• 従来のローカスベースおよびソリューションベクトルベースの符号化では、意味のない変異や分離されたコミュニティを引き起こす可能性があるため、GAベースのコミュニティ検出におけるその限界を解消すること。
• ノード類似度と最小スパニングツリー（MST）を用いた新しい個体表現法を開発し、探索空間を縮小し、ソリューションの質を向上させること。
• MSTにおけるエッジの深さに基づき、変異確率を動的に調整する適応的変異関数を設計し、収束速度とソリューションの正確性を向上させること。
• 進化過程におけるソリューションの多様性と収束時間を向上させる新しい初期集団生成関数を導入すること。
• スケーラビリティと正確性のバランスを取るために、モジュラリティ最適化と類似度ベースの指標を組み合わせること。

提案手法

• ノード類似度測定を用いて重み付きネットワークを構築し、MSTのエッジをバイナリクロモソームに符号化するMSTベースの符号化スキームを提案。0と1はエッジの不在または存在を表す。
• 類似度ベースのクラスタリングを活用して高品質で多様な初期ソリューションを生成する新しい初期集団生成関数を導入。これにより収束が加速する。
• MSTにおける対応するエッジの深さに応じて、遺伝子ごとの変異確率を変化させる正弦ベースの適応的変異関数を開発。深さの大きいエッジでは探索を促進する。
• モジュラリティとノード類似度を組み合わせたハイブリッドフィットネス関数を採用。進化過程を高品質なコミュニティパーティションへと導く。
• 新規な符号化フレームワーク内において、標準的なGA操作（選択、交叉、適応的変異）を用いてコミュニティ検出を最適化する。
• 実世界および合成データセット上で最先端のアルゴリズムとの性能を統計的に検証するために、Nemenyi検定を適用する。

実験結果

リサーチクエスチョン

• RQ1 ローカスベースまたはソリューションベクトルベースの符号化と比較して、ノード類似度ベースの符号化スキームは、GAベースのコミュニティ検出における無効または分離されたコミュニティパーティションを減少させることができるか？
• RQ2 提案された適応的正弦ベースの変異関数は、コミュニティ検出における収束速度とソリューションの質をどのように向上させるか？
• RQ3 新しい初期集団生成関数は、初期ソリューションの質と多様性をどの程度向上させ、収束を速くするか？
• RQ4 モジュラリティ最適化と類似度ベースの指標を組み合わせることで、単にモジュラリティに依存する場合と比較して、より良いパフォーマンスが得られるか？
• RQ5 提案手法は、実世界および合成ネットワークにおけるNMIおよびモジュラリティの観点で、最先端のアルゴリズムと比較してどの程度優れているか？

主な発見

• 提案手法は、GA-net や WMW といった複数のGAベースのアルゴリズムと比較して、有意に高いNMIおよびモジュラリティスコアを達成。p値は統計的有意性を示した。
• Nemenyi検定により、合成NMIにおいてGA-net（距離 = 8.4167）および実世界NMIにおいてWMW（距離 = 9.8）と有意差が認められ、それぞれ臨界距離8.39および9.273を超えていた。
• 実世界データセットでは、モジュラリティにおいてGA-net（7.11）およびWMW（7.44）と有意差があり、臨界距離6.76を超えていた。
• Louvain、Leiden、EdMot といったトップアルゴリズムと同等またはそれを上回る性能を示し、合成モジュラリティの結果においては有意差が認められなかった。
• 適応的正弦ベースの変異と改善された初期集団生成関数のおかげで、探索空間が縮小され、フィットネスの進行が向上した。これにより収束が速く、高品質なソリューションが得られた。
• 統計的分析により、提案手法が最先端の手法と同等またはそれを上回ることが確認され、特にNMIにおいて顕著に優れており、平均NMI値はWMW（0.526）およびCACD（0.826）を上回った。