[論文レビュー] Faster unfolding of communities: speeding up the Louvain algorithm

Vincent Traag|Data Archiving and Networked Services (DANS)|Mar 4, 2015

Complex Network Analysis Techniques被引用数 10

ひとこと要約

本稿では、ランダムな隣接コミュニティにノードを移動させるという単純な修正を施したランダムネイバー・ルーヴェイン法を提案する。これは、元来の最良の隣接コミュニティへの移動を採用するルーヴェインコミュニティ検出法に対する変更であり、理論的実行時間計算量を 𝒪(m) から 𝒪(n log⟨k⟩) に削減する。この変更により、ベンチマークネットワークでは2〜3倍、実際のネットワークでは最大10倍の高速化が達成され、モジュラリティの品質にわずかな妥協を伴うが、特にモジュラリティベースの最適化において顕著な効果を示す。

ABSTRACT

Many complex networks exhibit a modular structure of densely connected groups of nodes. Usually, such a modular structure is uncovered by the optimization of some quality function. Although flawed, modularity remains one of the most popular quality functions. The Louvain algorithm was originally developed for optimizing modularity, but has been applied to a variety of methods. As such, speeding up the Louvain algorithm, enables the analysis of larger graphs in a shorter time for various methods. We here suggest to consider moving nodes to a random neighbor community, instead of the best neighbor community. Although incredibly simple, it reduces the theoretical runtime complexity from $\mathcal{O}(m)$ to $\mathcal{O}(n \log \langle k angle)$ in networks with a clear community structure. In benchmark networks, it speeds up the algorithm roughly 2-3 times, while in some real networks it even reaches 10 times faster runtimes. This improvement is due to two factors: (1) a random neighbor is likely to be in a "good" community; and (2) random neighbors are likely to be hubs, helping the convergence. Finally, the performance gain only slightly diminishes the quality, especially for modularity, thus providing a good quality-performance ratio. However, these gains are less pronounced, or even disappear, for some other measures such as significance or surprise.

研究の動機と目的

• 大規模ネットワークにおけるルーヴェイン法の高い計算コストを軽減すること、特にモジュラリティ最適化の文脈で。
• コミュニティ検出の品質を著しく損なうことなく実行時間の効率を向上させること。
• 最良の隣接コミュニティ探索に代えてランダムネイバー選択が、速度と収束性において優れているかどうかを検証すること。
• モジュラリティ、有意性、サプライズといった異なる品質関数における、変更後のアルゴリズムのパフォーマンスを評価すること。
• 合成ネットワークおよび実世界のネットワークにおける、ランダムネイバー手法のスケーラビリティとロバストネスを評価すること。

提案手法

• 標準のルーヴェイン法におけるノードを最良の隣接コミュニティに移動させるステップを、ランダムに選ばれた隣接コミュニティに移動させるものに置き換える。
• ハブや高接続ノードが高品質なコミュニティに属している可能性を活用するため、ランダムネイバー選択を採用する。
• 理論的分析により、新しい手法が時間計算量を 𝒪(m) から 𝒪(n log⟨k⟩) に削減することが示され、ここで n はノード数、⟨k⟩ は平均次数を表す。
• アルゴリズムは同じ反復的2段階構造を維持する：局所最適化の後、ネットワークの集約を行う。
• モジュラリティ、有意性、サプライズに適用し、ベンチマークおよび実世界のネットワークでパフォーマンスを評価する。
• 重み付きネットワークについても検討し、辺の重みに比例したサンプリングを試したが、その利点は限定的であり、前処理コストが利得を上回る可能性がある。

実験結果

リサーチクエスチョン

• RQ1 最良の隣接コミュニティ探索をランダムネイバー選択に置き換えることで、ルーヴェイン法の実行時間が著しく短縮できるか？
• RQ2 特にモジュラリティベースの最適化において、ランダムネイバー手法が十分なコミュニティ品質を維持できるか？
• RQ3 モジュラリティ、有意性、サプライズといった異なる品質関数において、パフォーマンス向上の程度はどのように異なるか？
• RQ4 ネットワーク構造、例えばコミュニティの密度や次数分布に依存して、アルゴリズムの高速化がどの程度変化するか？
• RQ5 ランダムネイバー戦略は、ラベルプロパゲーションなどの他のコミュニティ検出アルゴリズムにも一般化可能か？

主な発見

• ランダムネイバー・ルーヴェイン法は、理論的実行時間計算量を 𝒪(m) から 𝒪(n log⟨k⟩) に削減し、エッジ数ではなくノード数にほぼ線形に依存するようになる。
• ベンチマークネットワークでは、元のルーヴェイン法と比較して2〜3倍の高速化が達成され、特定の実世界ネットワークでは最大10倍の高速化が得られた。
• モジュラリティ最適化において、この高速化効果が最も顕著であり、わずかなモジュラリティスコアの低下を伴いながらも、高品質な分割を維持している。
• 有意性やサプライズの文脈では、より細かく小さなコミュニティを好み、ランダムネイバー選択の恩恵が薄れるため、高速化効果は限定的である。
• 辺の重みに比例した重み付きサンプリングは僅かな改善しかもたらさず、一貫して非重み付きランダムサンプリングより優れているとは限らない。
• アルゴリズムはネットワークサイズや構造にかかわらずロバストであり、合成ネットワークおよび実データネットワークの両方で一貫した高速化が観察された。