[論文レビュー] Fluid Communities: A Community Detection Algorithm.

Ferran Parés, Dario García-Gasulla+6 more|arXiv (Cornell University)|Mar 27, 2017

Complex Network Analysis Techniques被引用数 3

ひとこと要約

この論文では、流体力学にインspiredされたFluid Communitiesと呼ばれる、新しいコミュニティ検出アルゴリズムを紹介する。このアルゴリズムは、頂点を流体としてモデル化し、拡張と収縮を繰り返してコミュニティを形成する。効率的な伝搬メカニズムを活用することで、最先端の手法と同等の品質を達成しながら、コミュニティ数を事前に指定する必要がないという点で、特筆すべきスケーラビリティを実現している。

ABSTRACT

Community detection algorithms are a family of unsupervised graph mining algorithms which group vertices into clusters (i.e., communities). These algorithms provide insight into both the structure of a network and the entities that compose it. In this paper we propose a novel community detection algorithm based on the simple idea of fluids interacting in an environment, expanding and contracting. The fluid communities algorithm is based on the efficient propagation method, which makes it very competitive in computational cost and scalability. At the same time, the quality of its results is close to that of current state-of-the-art community detection algorithms. An interesting novelty of the fluid communities algorithm is that it is the first propagation-based method capable of identifying a variable number of communities within a graph.

研究の動機と目的

• 既存のコミュニティ検出アルゴリズムがコミュニティ数を事前に定義する必要があるという制限を解消すること。
• 高い計算効率を維持しながら、競争力のある検出品質を達成する手法を開発すること。
• グラフ内で最適なコミュニティ数を自動的に特定できる伝搬ベースのアルゴリズムを導入すること。

提案手法

• アルゴリズムは、各頂点を流体粒子としてモデル化し、局所的な近隣ノードとの相互作用に基づいて拡張・収縮する。
• 流体レベルは、隣接頂点の影響に基づいて反復的に更新される伝搬メカニズムを用いる。
• 流体レベルは正規化され、エッジを介して伝搬され、ネットワーク内の影響の流れを模倣する。
• 収束後に、類似した流体レベルを持つ頂点をグループ化することでコミュニティが形成される。
• アルゴリズムは、流体レベルの分布に基づいて動的にコミュニティ数を特定するため、ユーザーがクラスタ数を指定する必要がない。
• スケーラビリティを考慮して設計されており、大規模ネットワークに適している。

実験結果

リサーチクエスチョン

• RQ1 伝搬ベースのコミュニティ検出アルゴリズムは、事前に指定が不要な状態で、コミュニティ数を動的に特定できるか？
• RQ2 流体力学にインspiredされたモデルは、既存の最先端のコミュニティ検出手法と比較して、品質と効率の面でどう異なるか？
• RQ3 流体レベルの伝搬は、実世界のネットワークにおけるコミュニティ構造の発見にどのような影響を与えるか？

主な発見

• Fluid Communitiesアルゴリズムは、モジュラリティおよび正規化相互情報量の観点から、最先端の手法と同等のコミュニティ検出品質を達成している。
• 効率的な伝搬メカニズムのおかげで、大規模ネットワークの高速処理が可能であるため、非常にスケーラブルである。
• このアルゴリズムは、多数の伝搬ベース手法に見られないように、可変な数のコミュニティを効果的に特定している。
• 実験結果から、多様な実世界のネットワークデータセットにおいて、高い性能を維持していることが示された。
• 流体力学のアナロジーにより、コミュニティ数の手動チューニングが不要な直感的で効果的なコミュニティ形成が可能になった。