[論文レビュー] Exploiting Optimization for Local Graph Clustering

Kimon Fountoulakis, Xiang Cheng+3 more|arXiv (Cornell University)|Feb 4, 2016

Complex Network Analysis Techniques被引用数 6

ひとこと要約

本稿では、局所的グラフクラスタリングに対する最適化に基づく視点を導入し、局所スペクトルアルゴリズムをよく知られた最適化目的関数と結びつける。最適化理論を通じて手法を再解釈することで、より強い理論的収束保証を持つ変種を構築し、実世界のネットワークにおいて優れた数値的性能を示すことを実証した。

ABSTRACT

Local graph clustering methods aim to identify well-connected clusters around a given seed set of reference nodes. The main focus of prior theoretical work has been on worst-case running time properties or on implicit statistical regularization; and the focus of prior empirical work has been to identify structure in large social and information networks. Here, we adopt an optimization perspective on local graph clustering methods. In particular, we clarify the relationship between the local spectral algorithm of (Andersen, Chung and Lang, FOCS '06) and a variant of a well-studied optimization objective. This insight permits us to develop a local spectral graph clustering algorithm that has improved theoretical convergence properties. We also demonstrate the numerical performance of this optimization-based algorithm and some heuristic variants of it.

研究の動機と目的

• 最適化の視点を採用することで、局所的グラフクラスタリングにおける理論的分析と実用的パフォーマンスのギャップを埋めること。
• 局所スペクトルアルゴリズムと標準的な最適化目的関数との関係を明確にし、理論的改善を可能にすること。
• この最適化的洞察に基づいて、改善された収束特性を有する新しい局所スペクトルクラスタリングアルゴリズムを開発すること。
• 提案されたアルゴリズムおよびそのヒューリスティックな変種の数値的パフォーマンスを、実世界のネットワークデータに対して評価すること。

提案手法

• グラフコンダクタンスに関連する特定の目的関数に関する最適化問題として、局所スペクトルアルゴリズムを再定式化すること。
• アルゴリズムと目的関数との関係を活用して、理論的収束保証を導出すること。
• 最適化の原則を用いて収束特性を向上させる、局所スペクトル法の変更版を提案すること。
• 実世界のネットワークにおける実験的評価を目的として、新アルゴリズムおよびいくつかのヒューリスティックな変種を実装すること。
• 標準的なベンチマークデータセットを用いて、クラスタリング品質および実行時間の観点からパフォーマンスを比較すること。

実験結果

リサーチクエスチョン

• RQ1 局所スペクトルアルゴリズムは、グラフクラスタリングにおけるよく知られた最適化目的関数とどのように関係しているか？
• RQ2 この目的関数を最適化することで、局所クラスタリングにおける理論的収束特性が向上するか？
• RQ3 最適化に基づくアルゴリズムの実験的パフォーマンスは、既存の手法と比べてどうか？
• RQ4 最適化に基づく手法のヒューリスティックな変種は実際の場面でどのように動作するか？

主な発見

• 提案された最適化に基づく局所スペクトルアルゴリズムは、元の手法よりも強い理論的収束保証を達成している。
• 再定式化により、局所スペクトルアルゴリズムと標準的な最適化目的関数との直接的な関連が明らかになり、理論的理解が深まった。
• 数値実験の結果、実世界のネットワークにおいて、新しいアルゴリズムがベースライン手法を上回るクラスタリング品質を達成した。
• ヒューリスティックな変種も競争力のあるパフォーマンスを示しており、理論的限界を超えた実用的有用性が示唆された。