[論文レビュー] Evaluating network partitions through visualization

Chihiro Noguchi, Tatsuro Kawamoto|arXiv (Cornell University)|Jun 3, 2019

Complex Network Analysis Techniques被引用数 4

ひとこと要約

本稿では、統計的推論から導かれたネットワークのパーティションを評価するための可視化手法としてパレット図を提案する。統計的基準が一意な結果を導かない場合でも、情報的なクラスタを特定できる。α-ダイバージェンスを用いたグループフィルタリングと、Isomapを用いた頂点順序付けを組み合わせることで、高次元のグループ割り当て確率を解釈可能な1次元または2次元の可視化に変換し、パーティション間のモジュラー構造と類似性を明らかにする。

ABSTRACT

Network clustering requires making many decisions manually, such as the number of groups and a statistical model to be used. Even after filtering using an information criterion or regularizing with a nonparametric framework, we are commonly left with multiple candidates with reasonable partitions. In the end, the user has to decide which inferred groups should be regarded as informative. Here we propose a visualization method that efficiently represents network partitioning based on statistical inference algorithms. Our non-statistical assessment procedure based on visualization helps users extract informative groups when they cannot uniquely determine significant groups on the basis of statistical assessments. The proposed visualization is also effective for use as a benchmark test of different clustering algorithms.

研究の動機と目的

• 複数の統計的に妥当なグループ化が存在する場合に、情報的なネットワークパーティションを選択する課題に対処すること。
• 情報基準が曖昧性を解消できない場合に、人間の判断を支援する非統計的可視化ツールを開発すること。
• パーティションの類似性と構造を視覚的に検査することで、異なるクラスタリングアルゴリズムのベンチマーク化と比較を可能にすること。
• 重複するか類似したグループをフィルタリングすることで、高次元のグループ割り当てデータの視覚的ごちゃつきを低減すること。
• 類似したグループ割り当てが空間的に近接するように頂点の順序を最適化し、モジュラー構造の視覚的解釈性を向上させること。

提案手法

• 頂点数Nと全パーティションにおけるグループ総数M₀を用いて、サイズN×M₀の原始的割り当て行列P₀を構築する。
• α-ダイバージェンスを用いて、グループ割り当て分布間の類似度を測定し、αを調整することでダイバージェンス度量（例：Kullback–Leibler距離やL2距離）を制御する。
• M₀×M₀の類似度行列に対してk-meansクラスタリングを実行し、類似した分布をM個の代表的クラスタにグループ化する（M ≤ M₀）。
• 各クラスタから、全頂点における割り当て確率の合計が最大のグループを代表グループとして選出する。
• 非線形次元削減のためのIsomapを用い、類似したグループ割り当てパターンを持つ頂点が隣接するように頂点を再順序付けし、1次元におけるモジュラー構造を保持する。
• 各頂点ごとにグループ割り当て確率を縦方向に積み上げることで1次元パレット図を生成する（原点をずらして）。2次元図では、各グループを色付きの行として表現し、確率の大きさに応じて奥行きを調整する。

実験結果

リサーチクエスチョン

• RQ1 重なりやソフト割り当てを伴うネットワーククラスタリング結果を、人間の解釈を支援する形で効果的に可視化する方法は何か？
• RQ2 統計的基準が曖昧な場合に、グループ割り当てパターンの視覚的検査がどの程度、情報的なクラスタの特定に役立つか？
• RQ3 複数のパーティションにまたがる重複または非常に類似したグループを自動でフィルタリングし、視覚的複雑性を低減する方法は何か？
• RQ4 ネットワークパーティションの可視化において、モジュラー構造を最もよく保持する頂点順序戦略は何か？
• RQ5 パレット図は、異なるクラスタリングアルゴリズムを比較するための信頼できるベンチマークツールとして機能できるか？

主な発見

• パレット図は、重なりや非階層的なパーティションであっても、ソフトクラスタ割り当てを可視化することで、ネットワークパーティション内のモジュラー構造を効果的に明らかにする。
• α-ダイバージェンスを用いたグループフィルタリングにより、類似したグループを統合することで冗長性が低減され、本質的な構造の損失なしに視覚的明瞭性が向上する。
• Isomapによる頂点順序付けにより、類似した割り当てパターンを持つ頂点が空間的に近接するようになるため、視覚的解釈性が著しく向上し、一貫したモジュールの検出が容易になる。
• 1次元パレット図は、グループ境界や重なりの可視化が明確である一方、2次元図はグループ間の割り当てパターンの類似性をよりよく明らかにする。
• 本手法により、統計的基準が一意な解を導かない場合でも、非統計的評価が可能となり、ユーザーの判断を支援する。
• 実験ではジャズミュージシャンの共同ネットワークと合成例を用いて、多様なネットワークタイプにわたり本手法のロバスト性が示された。