[論文レビュー] Fast community detection using local neighbourhood search

Arnaud Browet, Pierre-Antoine Absil+1 more|arXiv (Cornell University)|Aug 28, 2013

Complex Network Analysis Techniques参考文献 1被引用数 4

ひとこと要約

本論文は、局所的近隣探索に基づく高速で並列性に優れたコミュニティ検出アルゴリズムを提案する。このアルゴリズムは、木構造の割り当てグラフを用いて、同時にノードの所属を更新することで、Louvain法の実行速度を向上させる。LFRベンチマークグラフ上では、元のLouvain法と同等のモジュラリティおよび正規化相互情報量（NMI）スコアを維持しながら、最大20倍の高速化を達成している。

ABSTRACT

Communities play a crucial role to describe and analyse modern networks. However, the size of those networks has grown tremendously with the increase of computational power and data storage. While various methods have been developed to extract community structures, their computational cost or the difficulty to parallelize existing algorithms make partitioning real networks into communities a challenging problem. In this paper, we propose to alter an efficient algorithm, the Louvain method, such that communities are defined as the connected components of a tree-like assignment graph. Within this framework, we precisely describe the different steps of our algorithm and demonstrate its highly parallelizable nature. We then show that despite its simplicity, our algorithm has a partitioning quality similar to the original method on benchmark graphs and even outperforms other algorithms. We also show that, even on a single processor, our method is much faster and allows the analysis of very large networks.

研究の動機と目的

• 既存手法の時間計算量の高さと並列性の低さに起因する、大規模ネットワークにおけるコミュニティ検出の計算ボトル neck を解消すること。
• ノードのコミュニティ所属を同時に並列更新できるようにすることで、Louvainアルゴリズムのスケーラビリティを向上させること。
• 実行時間の大幅な短縮を実現しながら、元のLouvain法と同等の高品質なコミュニティ分割を維持すること。
• 反復回数を削減することで、重み付きおよび実世界のグラフを含む非常に大規模なネットワークの効率的解析を可能にすること。

提案手法

• ノードの所属割り当てから構築された木構造の割り当てグラフの連結成分としてコミュニティを定式化することで、Louvain法を再定式化する。
• 同期的更新を導くために、2種類の補正を導入する：1つは局所的近隣密度に基づくもの、もう1つは各ノードの割り当てパスの末尾に基づくもの。
• ノードの所属を同時に複数更新する同期更新戦略を採用し、高い並列性を実現する。
• モジュラリティまたは定数ピョットモデル（CPM）を用いてコスト関数を最適化し、局所的近隣情報とエッジの重みに基づいてコミュニティ割り当てを決定する。
• 各反復において動的に割り当てグラフを構築し、各ノードの割り当てをその近傍のコミュニティ構造と現在の割り当て状態に基づいて更新する。
• 局所探索と割り当て変更のグラフベース伝搬を効率的に行うことで、収束までの反復回数を削減する。

実験結果

リサーチクエスチョン

• RQ1 Louvainアルゴリズムを、分割品質に影響を与えることなく、完全に同期的かつ並列的なノードのコミュニティ所属更新を可能にするように変更できるか？
• RQ2 提案手法の局所的近隣探索戦略により、元の逐次的Louvain法と比較して収束までの反復回数が減少するか？
• RQ3 ネットワークサイズの増大に伴い、実行時間およびメモリ使用量の観点から、このアルゴリズムの性能はどのようにスケーリングするか？
• RQ4 他の最先端手法と比較して、ベンチマークグラフ上でのモジュラリティおよびNMIで測定される高品質なコミュニティ検出を、どの程度維持できるか？
• RQ5 なぜこのアルゴリズムは非重み付きネットワークで性能を発揮できないのか？また、これには必要な補正回数の増加が関係しているか？

主な発見

• 提案手法は、大規模なLFRベンチマークグラフ上において、古典的なLouvain法と比較して最大20倍の高速化を達成しており、テストされたすべてのネットワークサイズで一貫した性能向上を示している。
• 同期的更新を採用しているにもかかわらず、ベンチマークグラフ上でのNMI曲線の一致から、元のLouvain法とほぼ同等のコミュニティ分割品質を維持している。
• 割り当てグラフ構造とノードのパス末尾情報に基づく効率的な大規模更新のおかげで、収束までの反復回数が顕著に削減されている。
• 非重み付きネットワークでは、必要な補正回数が増加するため、同じ基本論理であっても計算オーバーヘッドが増加し、効果が薄れる。
• 特に大規模グラフにおいて、他の最先端アルゴリズムと比較して計算効率に優れており、並列または分散アーキテクチャへの実装に適している。
• 特に定数ピョットモデル（CPM）を用いる場合、解像度制限問題に対して頑健であり、大規模ネットワークではモジュラリティよりも優れた分割を生成する。