[論文レビュー] General Community Detection with Optimal Recovery Conditions for Multi-relational Sparse Networks with Dependent Layers

Sharmodeep Bhattacharyya, Shirshendu Chatterjee|arXiv (Cornell University)|Apr 6, 2020

Complex Network Analysis Techniques参考文献 69被引用数 12

ひとこと要約

本稿では、相関する層を有する多重関係スパースネットワークにおけるコミュニティ検出のため、和の二乗隣接行列に基づくスペクトルクラスタリング手法を提案する。ストースティックブロックモデル（SBM）および次数補正ブロックモデル（DCBM）の両框架下で最適な回復条件を確立し、個々の層が検出可能閾値未満であっても一貫したコミュニティ検出を実現することを理論的に保証するとともに、多様なネットワーク状況において実証的検証を実施した。

ABSTRACT

Multilayer and multiplex networks are becoming common network data sets in recent times. We consider the problem of identifying the common community structure for a special type of multilayer networks called multi-relational networks. We consider extensions of the spectral clustering methods for multi-relational networks and give theoretical guarantees that the spectral clustering methods recover community structure consistently for multi-relational networks generated from multilayer versions of both stochastic and degree-corrected block models even with dependence between network layers. The methods are shown to work under optimal conditions on the degree parameter of the networks to detect both assortative and disassortative community structures with vanishing error proportions even if individual layers of the multi-relational network has the network structures below community detectability threshold. We reinforce the validity of the theoretical results via simulations too.

研究の動機と目的

• 個々の層がスパースかつ検出可能閾値未満である場合でも、共通のコミュニティ構造を多重関係ネットワークで検出する課題に対処すること。
• 相関する層を有する多重関係ネットワークにスペクトルクラスタリング手法を拡張し、コミュニティ回復における理論的一貫性を保証すること。
• アソートティブおよびディアソートティブコミュニティ構造の両方に対して、SBMおよびDCBMフレームワーク下での最適な回復条件を提供すること。
• 多様なネットワーク構成および層の依存関係を想定した、広範なシミュレーションを通じて理論的結果の妥当性を検証すること。

提案手法

• すべてのネットワーク層にわたる二乗隣接行列の和をとり、コミュニティ検出に向けた信号対雑音比を向上させる合成行列を構築する。
• 和の二乗隣接行列に対してスペクトルクラスタリングを適用し、潜在的なコミュニティ構造を回復する。
• 多層SBMおよび多層DCBMの両框架下で理論的分析を実施し、最小次数条件の下での一貫したコミュニティ回復を証明する。
• 層間の依存性に対してもロバストであるため、ある層のエッジ形成確率が他の層の構造に依存しても問題ない。
• 集中不等式および固有値摂動理論を用いて理論的保証を導出し、n → ∞ の際に誤差割合が消えることを保証する。
• ネットワークサイズ（n）、層数（T）、接続パラメータを変化させたシナリオにおいて、広範なシミュレーションを実施し、多様な構成における性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 和の二乗隣接行列に対するスペクトルクラスタリングは、相関する層を有する多重関係スパースネットワークにおいて、真のコミュニティ構造を一貫して回復できるか？
• RQ2 個々の層が検出可能閾値未満であっても、コミュニティ検出が一貫するための最適な次数条件は何か？
• RQ3 アソートティブおよびディアソートティブコミュニティ構造の両方において、多層SBMおよびDCBM設定下で本手法はどのように性能を発揮するか？
• RQ4 層の依存性は回復性能にどの程度影響を及ぼすか？また、このような依存性下でも一貫性を保証できるか？
• RQ5 ネットワークサイズが増加するに従い、本手法はコミュニティ数を正しく回復できるか？

主な発見

• 提案手法であるスペクトルクラスタリングは、SBMおよびDCBMの両方において、個々の層がスパースかつ検出不能であっても、最小の次数条件のもとで一貫したコミュニティ回復を達成する。
• n → ∞ または T → ∞ の際に、誤差割合が消えることを確認した。アソートティブおよびディアソートティブ両構造においても同様に一貫性が保証される。
• 一般化された層間依存性（ある層のエッジ確率が他の層の構造に依存する）の下でも理論的保証が成立する。
• シミュレーションにより、アルゴリズム1（和の二乗隣接行列に基づく）が、SBMおよびDCBM両設定下でコミュニティラベルの回復において他の手法を上回ることを示した。
• アルゴリズム2も、特に層数が増加するに従い、DCBMネットワークにおけるコミュニティ回復性能が優れていることがわかった。
• n → ∞ の際にコミュニティ数を正しく同定できることを示し、モデル選択におけるロバスト性を示した。