[論文レビュー] Extending modularity by incorporating distance functions in the null model

Xin Liu, Tsuyoshi Murata+1 more|arXiv (Cornell University)|Oct 15, 2012

Complex Network Analysis Techniques被引用数 5

ひとこと要約

本稿では、空間的または構造的距離を組み込むことで、より現実のネットワーク構造を反映できるように変更されたノードモジュラリティのためのnullモデルを提案する。ノードの次数を保存しつつ、ランダムなエッジ再接続プロセスに空間的または構造的距離を統合することで、距離に依存してエッジが形成されるネットワークにおけるモジュラリティの正確性が向上し、多様なネットワークタイプにおけるコミュニティ検出性能が向上する。

ABSTRACT

Modularity is a widely used measure for evaluating community structure in networks. The definition of modularity involves a comparison of the fraction of within-community edges in the observed network and a null model. In the original definition the null model only considers the node degree to rewire edges randomly, failing to be a good representation of many real-world networks. To handle this problem, we incorporate distance functions in the null model to facilitate edges between certain nodes while respecting the degree factor. This enables us to create a framework for generating appropriate modularities adapted to various networks.

研究の動機と目的

• 元のモジュラリティのnullモデルにはノードの次数しか考慮していないため、空間的または構造的制約を伴う現実のネットワークを適切に表現できないという限界を是正すること。
• nullモデルに距離に基づくエッジ形成の好みを組み込むことで、意味のあるコミュニティ構造を検出する際のモジュラリティの正確性を向上させること。
• ランダムな再接続プロセスに距離関数を埋め込むことで、さまざまなネットワークタイプに適応可能な柔軟なフレームワークを構築すること。
• ノードの次数を保存しつつ、ノード間の近接度や他の距離尺度に基づく非一様なエッジ形成確率を許容すること。

提案手法

• ネットワーク内のノード対間の近接度や類似度を定量化する距離関数を導入すること。
• 距離関数に基づいてエッジ再接続確率をバイアス化するようにnullモデルを変更し、近いノード同士にエッジが形成されやすくなるようにすること。
• ランダムな再接続中に元の次数系列を保存することで、統計的整合性を維持すること。
• 距離に基づいたランダム化を反映した新しいモジュラリティスコアを計算するために、変更されたnullモデルを用いること。
• 距離重み付きエッジ確率を用いて、新しいnullモデル下でのコミュニティ内エッジの期待数を定式化すること。
• 距離に基づいたnullモデルを標準的なモジュラリティ式に統合し、一般化されたモジュラリティ測度を生成すること。

実験結果

リサーチクエスチョン

• RQ1 距離関数をnullモデルに組み込むことで、空間的または構造的制約を伴うネットワークにおけるコミュニティ構造の検出にどのような影響を与えるか？
• RQ2 提案されたnullモデルは、元の次数のみを考慮するモデルと比較して、モジュラリティの意味のあるコミュニティ同定能力をどの程度向上させるか？
• RQ3 nullモデルに使用する距離関数を変更することで、異なる種類のネットワークにフレームワークを適応可能か？
• RQ4 距離関数の組み込みにより、多様なネットワークトポロジーにおいてより安定的で頑健なモジュラリティスコアが得られるか？

主な発見

• 距離関数を組み込んだ提案されたnullモデルは、距離に依存してエッジが形成されるネットワークにおいて、コミュニティ内エッジの期待値をより現実的に反映する。
• 距離に基づいたnullモデルを用いて計算されたモジュラリティは、ソーシャルネットワーク、バイオロジカルネットワーク、インfra構造ネットワークなど、現実のネットワークにおけるコミュニティ構造をよりよく捉えている。
• ノードの次数を保存しつつ、構造的なエッジ形成の好みを許容することで、モジュラリティがコミュニティ検出指標としての有効性を高めている。
• ドメイン固有の距離尺度を組み込むことで、多様なネットワークタイプに応じたより洗練され、適応可能なモジュラリティの評価が可能になった。