[論文レビュー] From Node Embedding To Community Embedding : A Hyperbolic Approach

Gerald, Thomas, Hadi Zaatiti+3 more|arXiv (Cornell University)|Jul 2, 2019

Complex Network Analysis Techniques参考文献 31被引用数 4

ひとこと要約

本稿では、双曲（ポアンカレ球）埋め込みとリーマンクラスタリング手法を活用することで、コミュニティ検出のためのComEアルゴリズムのリーマン拡張を提案する。実世界のネットワークにおいて、双曲K-meansおよびガウス・ミックス・モデルが、ユークリッドベースラインおよび双曲SVMを上回り、低次元空間において最先端の性能を達成し、コミュニティ検出の精度が向上することを示している。

ABSTRACT

Detecting communities on graphs has received significant interest in recent literature. Current state-of-the-art community embedding approach called extit{ComE} tackles this problem by coupling graph embedding with community detection. Considering the success of hyperbolic representations of graph-structured data in last years, an ongoing challenge is to set up a hyperbolic approach for the community detection problem. The present paper meets this challenge by introducing a Riemannian equivalent of extit{ComE}. Our proposed approach combines hyperbolic embeddings with Riemannian K-means or Riemannian mixture models to perform community detection. We illustrate the usefulness of this framework through several experiments on real-world social networks and comparisons with extit{ComE} and recent hyperbolic-based classification approaches.

研究の動機と目的

• ハイパーボリック幾何を活用することで、ユークリッド埋め込みが階層的グラフ構造を捉えきれないという限界を是正すること。
• ハイパーボリック埋め込みとリーマンクラスタリングを用いて、最先端のComEアルゴリズムをリーマン設定に拡張すること。
• グラフ構造データにおける教師なしおよび教師ありコミュニティ検出において、リーマンK-means、GMM、およびロジスティック回帰の有効性を評価すること。
• 提案された双曲アプローチを、実世界のデータセットにおいてComEおよび最近の双曲手法（例: Hyperbolic-SVM）と比較すること。

提案手法

• ノードをハイパーボリック空間に埋め込むためにPoincaré球埋め込みを用い、階層的かつ木構造的なグラフ構造を保持する。
• 測地線距離を用いて、リーマンK-meansおよびリーマンガウス混合モデル（GMM）を用いて教師なしコミュニティ検出を実行する。
• リーマンの重心からのハイパーボリック距離に基づくリーマンロジスティック回帰を用いて、教師あり分類を実行する。
• ハイパーボリックGMMにおけるパrameter推定に、リーマン期待最大化アルゴリズムを活用する。
• クラスタ中心としてリーマンの重心を用い、距離を測地線分離の逆双曲正弦関数で計算する。
• ComEと同様に、反復的なノード埋め込みとコミュニティ学習を組み合わせるが、リーマン最適化を用いてハイパーボリック空間で実行する。

実験結果

リサーチクエスチョン

• RQ1 リーマン空間における双曲クラスタリング手法は、ユークリッドベースラインと比較してコミュニティ検出を改善できるか？
• RQ2 実世界の社会的ネットワークにおいて、リーマンK-meansおよびGMMの性能はComEおよびHyperbolic-SVMと比較してどうなるか？
• RQ3 低次元の双曲埋め込みは、コミュニティ検出において階層的構造をどの程度正確に保持できるか？
• RQ4 リーマンロジスティック回帰を用いることで、ユークリッドロジスティック回帰と比較して分類精度が向上するか？

主な発見

• KARATEデータセットでは、提案手法のH-K-Meansが11%の標準偏差で92%の精度を達成し、低次元においてComEを上回った。
• Polblogsデータセットでは、H-GMMおよびH-K-Meansともに1%未満の標準偏差で95%の精度を達成し、Hyperbolic-SVM（93%）を上回った。
• Footballデータセットでは、H-K-Meansが7.8%の標準偏差で80%の精度を達成し、H-SVM（24%）およびH-LR（39%）を著しく上回った。
• DBLPでは、10次元で92%の精度を達成し、ComEの128次元性能と同等であった。これは、低次元表現における効率性を示している。
• Flickrでは、すべての次元においてComEを精度面で上回った。これは、大規模かつスパースなネットワークにおいてもロバストであることを示している。
• 結果から、測地線に基づく分類器（例: H-SVM, H-LR）はコミュニティ数が多い場合にはGMMやK-meansに劣ることが判明した。これは、GMMが複雑なコミュニティ構造に適していることを示唆している。