[論文レビュー] Excisive Hierarchical Clustering Methods for Network Data

Gunnar Carlsson, Facundo Mémoli+2 more|arXiv (Cornell University)|Jul 21, 2016

Complex Network Analysis Techniques参考文献 30被引用数 3

ひとこと要約

本稿は、非対称ネットワークデータ向けに、局所的整合性と単位不変性を保証する、切除的かつ線形スケール保存型の階層的クラスタリング手法を提案する。すべてのこのような手法が、対称化変換の後に単一結合クラスタリングを適用する形に分解可能であることを証明し、摂動に強い理論的保証のもとで安定的かつ計算的に効率的なクラスタリングを実現する。

ABSTRACT

We introduce two practical properties of hierarchical clustering methods for (possibly asymmetric) network data: excisiveness and linear scale preservation. The latter enforces imperviousness to change in units of measure whereas the former ensures local consistency of the clustering outcome. Algorithmically, excisiveness implies that we can reduce computational complexity by only clustering a data subset of interest while theoretically guaranteeing that the same hierarchical outcome would be observed when clustering the whole dataset. Moreover, we introduce the concept of representability, i.e. a generative model for describing clustering methods through the specification of their action on a collection of networks. We further show that, within a rich set of admissible methods, requiring representability is equivalent to requiring both excisiveness and linear scale preservation. Leveraging this equivalence, we show that all excisive and linear scale preserving methods can be factored into two steps: a transformation of the weights in the input network followed by the application of a canonical clustering method. Furthermore, their factorization can be used to show stability of excisive and linear scale preserving methods in the sense that a bounded perturbation in the input network entails a bounded perturbation in the clustering output.

研究の動機と目的

• 非対称ネットワークデータの階層的クラスタリングにおいて、頑健性と計算効率を保証する実用的特性（切除的性と線形スケール保存性）を同定すること。
• これらの実用的特性を満たすクラスタリング手法を特徴付ける生成モデル（表現可能性）を構築すること。
• 切除的かつ線形スケール保存型の手法が、対称化変換の後に単一結合クラスタリングを適用する形に分解可能であるという理論的分解を確立すること。
• 入力ネットワークにおける有界な摂動に対して、このような手法が安定することを証明すること。
• 実世界の経済ネットワークを用いてアプローチを検証し、切除的性を実証的に示すこと。

提案手法

• 切除的性を導入し、部分ネットワークのクラスタリングが、全体ネットワークのデンドログラムにおける対応する分岐と同一の結果をもたらすことを保証する。
• 線形スケール保存性を定義し、類似度値のスカラー倍に対してクラスタリング結果が不変であることを保証する。
• 表現可能性を生成モデルとして導入し、クラスタリング手法を「表現子」と呼ばれる特別なネットワークの集合における挙動によって定義する。
• 表現可能性が、切除的性と線形スケール保存性の両方を同時に満たすことと数学的に同値であることを証明する。
• 二段階の要因分解を導出する：まずネットワークに写像 Λ^Ω を適用し、その後で対称出力に対して単一結合クラスタリングを適用する。
• 要因分解を用いて安定性を証明する：入力の有界な摂動が、デンドログラムにおける出力の変化を有界に保つこと。

実験結果

リサーチクエスチョン

• RQ1 切除的性と線形スケール保存性を、非対称ネットワーク向けの意味のある階層的クラスタリング手法を絞り込む実用的基準として用いることができるか？
• RQ2 切除的かつスケール保存型のクラスタリング手法のクラスを正確に捉える生成モデルは存在するか？
• RQ3 すべてのこのような手法が、対称化変換の後に単一結合クラスタリングを適用する形に分解可能か？
• RQ4 切除的性とスケール保存性を要求することは、入力の有界な摂動に対して安定性を示すことにつながるか？
• RQ5 提案手法は、どのようにして効率的に実装され、実際のネットワークデータに対して検証可能か？

主な発見

• 切除的性により、部分ネットワークのクラスタリングが、全体ネットワークのデンドログラムにおける同一の分岐を再現でき、スケーラブルで局所的な計算が可能になる。
• 線形スケール保存性により、測定単位の変更に対してクラスタリング結果が不変であることが保証され、解釈可能性と頑健性が向上する。
• 表現可能性は、切除的性と線形スケール保存性の両方を同時に満たすことと数学的に同値であり、実用的クラスタリング手法の完全な特徴付けを提供する。
• すべての切除的かつ線形スケール保存型の手法は、対称化写像の後に単一結合クラスタリングを適用する形に要因分解可能であり、モジュール型で効率的な実装が可能になる。
• 提案手法は安定的である：入力ネットワークにおける有界な摂動が、クラスタリング出力における有界な変化にしか及えないため、信頼性が保証される。
• 実世界の経済ネットワークを用いた実証的検証により、部分ネットワークのクラスタリングにおいてデンドログラム構造が保持されることを確認し、実際の切除的性の発現を示した。