[論文レビュー] Efficient Algorithms for Sampling and Clustering of Large Nonuniform Networks

Pekka Orponen, Satu Elisa Schaeffer|arXiv (Cornell University)|Jun 2, 2004

Complex Network Analysis Techniques参考文献 26被引用数 7

ひとこと要約

本稿では、大規模な非一様ネットワークにおける均一ノードサンプリングおよびクラスタリングのための効率的で局所的なアルゴリズムを提示する。均一なMCMC連鎖のゆっくりとした混合特性と通常のランダムウォークを組み合わせることで収束を加速し、サンプリングは均一モードでのみ実行する。クラスタリングに関しては、近似Fiedlerベクトルを用いてノードのポテンシャルを推定し、重み付きCheeger比を用いて局所的クラスタを同定する。実際のネットワークおよび合成ネットワークにおいて、正確でスケーラブルな結果が得られる。

ABSTRACT

We propose efficient algorithms for two key tasks in the analysis of large nonuniform networks: uniform node sampling and cluster detection. Our sampling technique is based on augmenting a simple, but slowly mixing uniform MCMC sampler with a regular random walk in order to speed up its convergence; however the combined MCMC chain is then only sampled when it is in its "uniform sampling" mode.Our clustering algorithm determines the relevant neighbourhood of a given node u in the network by first estimating the Fiedler vector of a Dirichlet matrix with u fixed at zero potential, and then finding the neighbourhood of u that yields a minimal weighted Cheeger ratio, where the edge weights are determined by differences in the estimated node potentials. Both of our algorithms are based on local computations, i.e. operations on the full adjacency matrix of the network are not used. The algorithms are evaluated experimentally using three types of nonuniform networks: Dorogovtsev-Goltsev-Mendes "pseudofractal graphs", scientific collaboration networks, and randomised "caveman graphs".

研究の動機と目的

• 大規模で非一様なネットワークにおいて、グローバルな情報が入手不可能な状況でも、真に均一なノードサンプルを取得するという課題に対処すること。
• 全グラフ計算を必要とせず、与えられたソースノードの周辺に密に接続された部分グラフ（局所的クラスタ）を特定するスケーラブルで局所的なクラスタリング手法を開発すること。
• 高次数ノードに偏るか、ネットワーク構造のグローバル知識を必要とする既存のMCMCサンプラーの限界を克服すること。
• 大規模ネットワーク解析のためのグローバルスペクトルクラスタリングの実用的で計算効率の高い代替手法を提供すること。

提案手法

• 度数バランスの取れたランダムウォーク（均一な定常分布を持つ）と通常のランダムウォーク（度数に比例する定常分布を持つ）を組み合わせたハイブリッドMCMC連鎖を提案し、均一モードでのみサンプリングを実行する。
• ディリクレ境界条件下でレイリー商に対するソフト制約勾配降下法を用いてFiedlerベクトルを近似し、隣接ノードのポテンシャルに基づく局所的更新を行う。
• エッジの重みを絶対ポテンシャル差の逆数（|u(j)−u(k)|）−1に比例させ、重み付きCheeger比を定義してクラスタ境界を検出する。
• 重み付きCheeger比を最小化するための局所的シミュレーテッドアニーリングを実行し、ソースノードの周囲に最適な局所的クラスタを同定する。
• Fiedlerベクトル推定を、ソースノードでu(i)=0、他のノードでu(k)=1として初期化し、1未満のポテンシャルを持つ隣接ノードのみを更新する。
• 大規模ネットワークへのスケーラビリティを確保するため、アドセンシーマトリックスの完全な演算を避けて、局所的で反復的な計算に依存する。

実験結果

リサーチクエスチョン

• RQ1 非一様ネットワークにおけるノードサンプリングにおいて、速やかな混合を実現しながらも均一な定常分布を維持できるハイブリッドMCMC連鎖を構築できるか？
• RQ2 グローバル計算を必要とせずに、効率的にFiedlerベクトルを近似できる局所的スペクトル手法をどのように適応できるか？
• RQ3 ポテンシャルに基づくエッジ重みを用いた重み付きCheeger比が、多様なネットワークタイプにおいて意味のある局所的クラスタを効果的に同定できるか？
• RQ4 提案手法のアルゴリズムは、実世界および合成の非一様ネットワークにおいて、どの程度スケーラブルで正確に動作するか？

主な発見

• ハイブリッドMCMCサンプラーは、純粋な均一MCMC連鎖よりも著しく収束が速く、グローバルな度数情報の必要性を回避する。
• 局所的勾配降下法によるFiedlerベクトル近似は信頼性があり、ソースノードの周囲で直感的に意味のあるノードポテンシャル分布を生成する。
• Cheeger比における逆ポテンシャル差エッジ重みの使用により、視覚的に確認されたカーマンネットワークおよび共同研究ネットワークにおいて自然で明確に分離された局所的クラスタが得られる。
• クラスタリングアルゴリズムは、Dorogovtsev-Goltsev-Mendes擬似フラクタルグラフ、科学的共同研究ネットワーク、ランダム化されたカーマングラフにおいて、意味のある部分グラフを効果的に同定する。
• アルゴリズムは計算的に効率的であり、局所的計算のみに依存するため、大規模でリアルタイムなネットワーク解析に適している。
• クラスタしきい値のための追加のハイパーパrameterを導入せず、重み付きCheeger比の最適化に依存する。