[論文レビュー] Generative Benchmark Models for Mesoscale Structures in Multilayer Networks.

Marya Bazzi, Lucas G. S. Jeub+3 more|arXiv (Cornell University)|Aug 22, 2016

Complex Network Analysis Techniques被引用数 17

ひとこと要約

本稿では、相互層依存関係を明示的に表現する多層ネットワークにおける中規模構造の生成的ベンチマークモデルを提案し、コミュニティ検出アルゴリズムの標準化された評価を可能にする。このモデルは、調整可能なパラメータを備えた原理的で体系的なノイズモデルフレームワークを提供し、多様な多層ネットワークトポロジーにおけるコミュニティ検出手法の厳密な比較を可能にする。

ABSTRACT

Multilayer networks allow one to represent diverse and interdependent connectivity patterns --- e.g., time-dependence, multiple subsystems, or both --- that arise in many applications and which are difficult or awkward to incorporate into standard network representations. In the study of multilayer networks, it is important to investigate (i.e., intermediate-scale) structures, such as dense sets of nodes known as that are connected sparsely to each other, to discover network features that are not apparent at the microscale or the macroscale. A variety of methods and algorithms are available to identify communities in multilayer networks, but they differ in their definitions and/or assumptions of what constitutes a community, and many scalable algorithms provide approximate solutions with little or no theoretical guarantee on the quality of their approximations. Consequently, it is crucial to develop generative models of networks to use as a common test of community-detection tools. In the present paper, we develop a family of benchmarks for detecting mesoscale structures in multilayer networks by introducing a generative model that can explicitly incorporate dependency structure between layers. Our benchmark provides a standardized set of null models, together with an associated set of principles from which they are derived, for studies of mesoscale structures in multilayer networks. We discuss the parameters and properties of our generative model, and we illustrate its use by comparing a variety of community-detection methods.

研究の動機と目的

• 多層ネットワークにおけるコミュニティ検出の評価のための標準化されたベンチマークの欠如に取り組むこと。特に、中規模構造に関して。
• 時間変化するか、複数のサブシステムを含むネットワークにおける現実の依存関係を反映するように、層間の依存構造を組み込んだ生成モデルを開発すること。
• コミュニティ検出アルゴリズムの性能と耐性をテストするための原理的でパラメータ化されたノイズモデルフレームワークを提供すること。
• 構造的性質を制御した共通の評価基準を提供することで、既存のコミュニティ検出手法の公平で体系的な比較を可能にすること。

提案手法

• 層間の依存関係を共有または相関するコミュニティ構造を通じて明示的にモデル化する多層ネットワークの生成モデルを提案する。
• 層間相関強度、コミュニティの重複、層の接続パターンといったパラメータを変化させることで、ノイズモデルの族を定義する。
• 多層設定に拡張されたストークスティックブロックモデリングの原則を用い、既知の中規模構造を有するネットワークを制御的に生成可能にする。
• 層間類似度やコミュニティの持続性の度合いを体系的に調整可能なパラメータ化フレームワークを導入する。
• ノードのコミュニティが指定された相関をもって複数の層にわたって生成される階層的ストークスティックブロックモデルを採用し、現実的で信頼性のあるベンチマークネットワークの作成を可能にする。
• 提案されたベンチマークを用いて、構造的条件を制御した状態で複数のコミュニティ検出アルゴリズムを比較することで、モデルの有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 多層ネットワークにおける層間依存関係を、コミュニティ検出アルゴリズムのベンチマークの基盤として体系的にモデル化するにはどうすればよいか？
• RQ2 生成モデルにおけるどのパラメータが、層をまたがる中規模構造の検出可能性に最も顕著に影響を与えるか？
• RQ3 提案されたベンチマークによって生成された、構造が既知で制御されたネットワークにおいて、異なるコミュニティ検出アルゴリズムの性能はいかがなるか？
• RQ4 層間依存関係が非自明である場合、またはコミュニティの重複が存在する場合、既存のアルゴリズムがどれほどコミュニティを検出できなくなるか？

主な発見

• 提案された生成モデルは、調整可能な層間依存関係と既知の中規模コミュニティ構造を有する多層ネットワークを効果的に生成できた。
• コミュニティ検出アルゴリズムの性能は、層間相関の強度や性質に応じて変動し、一部の手法は高い重複や弱い依存関係下で失敗することが判明した。
• ベンチマークは、多くのスケーラブルなアルゴリズムが理論的保証が限定的で近似結果を出力することを明らかにした。特に、層間でコミュニティ構造が明確に分離されていない場合には顕著であった。
• このモデルにより、アルゴリズムの一貫性ある再現可能な評価が可能となり、ベンチマーク設計において層間構造を組み込む重要性が浮き彫りになった。