[論文レビュー] Ensemble approaches for improving community detection methods

Johan Dahlin, Pontus Svenson|arXiv (Cornell University)|Sep 1, 2013

Complex Network Analysis Techniques参考文献 3被引用数 23

ひとこと要約

この論文では、ラベル伝播、異なるアルゴリズム、または再サンプリングされたネットワークを用いた複数回のコミュニティ検出実行結果を統合することで、クラスタリング精度を向上させるアンサンブルベースのコミュニティ検出手法であるノードベース融合（NFC）を提案する。NFCは低コストの計算複雑性で性能を向上させ、NMIおよび相関係数指標を用いた合成ネットワーク上での標準的手法を上回る。

ABSTRACT

Statistical estimates can often be improved by fusion of data from several different sources. One example is so-called ensemble methods which have been successfully applied in areas such as machine learning for classification and clustering. In this paper, we present an ensemble method to improve community detection by aggregating the information found in an ensemble of community structures. This ensemble can found by re-sampling methods, multiple runs of a stochastic community detection method, or by several different community detection algorithms applied to the same network. The proposed method is evaluated using random networks with community structures and compared with two commonly used community detection methods. The proposed method when applied on a stochastic community detection algorithm performs well with low computational complexity, thus offering both a new approach to community detection and an additional community detection method.

研究の動機と目的

• コミュニティ構造の一般的な定義が欠如している問題に対処するため、アンサンブルベースのアプローチを検討すること。
• 複数のクラスタリング結果の統合を通じて、コミュニティ検出の精度と耐性を向上させること。
• コミュニティ検出アルゴリズムにおけるパラメータ設定への感受性と確率的変動への感受性を低減すること。
• 異なるアルゴリズムの実行結果を統合することで、スケールに応じたコミュニティ解析を可能にすること。
• 既存のコミュニティ検出手法に対する計算効率の高い代替手法を提供すること。

提案手法

• NFC手法は、ラベル伝播（LP）などの確率的アルゴリズムの複数回の実行、または同じネットワークに異なるアルゴリズムを適用した結果から得られるコミュニティ構造を統合する。
• ノードベースの統合戦略を用い、複数のコミュニティ構造で一貫して同じグループに属するノードに高い重みを付与する。
• 凝集型階層的クラスタリングを用いてコミュニティを統合し、モジュラリティが高い構造を優先するリンクレグールを採用する。
• モジュラリティを信頼度の指標として採用し、高品質な分割におけるコミュニティ割り当てに高い重みを付与する。
• 異なるアルゴリズムのバリアント、再サンプリングされたネットワーク、スケールに応じたコミュニティ検出の統合をサポートする。
• 計算複雑性は理論的に O(pn²log n) であり、ここで p は実行回数、n はノード数を表す。

実験結果

リサーチクエスチョン

• RQ1 複数のコミュニティ検出結果のアンサンブル統合は、コミュニティ構造同一定性的な識別精度と耐性を向上させることができるか？
• RQ2 NFCは、グリーディモジュラリティ最大化や q-ポットスピングラスモデルといった標準的手法と比較して、どのように性能を発揮するか？
• RQ3 NFCは、確率的アルゴリズムにおけるパラメータ設定や確率的変動への感受性をどの程度低減するか？
• RQ4 異なるアルゴリズムや再サンプリングされたネットワークからの結果を統合することで、検出品質を効果的に向上させることができるか？
• RQ5 NFCの計算複雑性は何か？また、ネットワークサイズや実行回数の増加に伴い、どのようにスケーリングするか？

主な発見

• NFC手法は、NMI（正規化相互情報量）および相関係数指標を用いて測定した合成ネットワーク上でのコミュニティ検出精度を顕著に向上させる。
• ラベル伝播（LP）アルゴリズムと組み合わせた場合、NFCはLPおよびグリーディモジュラリティアルゴリズムの両方を上回るクラスタリング品質を達成する。
• 混合パrameter μ に対して感受性が低く、グリーディアルゴリズムとは異なり、μ が高くなると実行時間が著しく増加しない。
• ノード数が1000未満のネットワークでは、理論的複雑性が高かろうとも、NFCはグリーディアルゴリズムよりも高速である。
• 現在のNFC実装の実用的複雑性は約 O(n³) であり、理論的複雑性 O(n²log n) よりも高いが、最適化されたコードにより改善可能である。
• モジュラリティ重み付きノード共起に基づく統合は、重みなし統合よりも優れた結果をもたらし、品質に配慮した統合の価値を裏付けている。