[論文レビュー] Graph Neural Network Encoding for Community Detection in Attribute Networks

Jianyong Sun, Wei Zheng+2 more|arXiv (Cornell University)|Jun 6, 2020

Complex Network Analysis Techniques参考文献 75被引用数 5

ひとこと要約

本稿では、属性ネットワークにおける離散的コミュニティ検出を連続最適化問題に変換するグラフニューラルネットワーク（GNN）符号化手法を提案する。これにより、より効果的な多目的進化的アルゴリズムの適用が可能になる。エッジを連続変数として符号化し、非線形変換を用いて離散的コミュニティ割り当てを生成することで、適応度のランドスケープが滑らかになり、単一属性および複数属性構造を有する実世界ネットワークにおいて、従来の進化的および非進化的アルゴリズムを著しく上回る性能を発揮する。

ABSTRACT

In this paper, we first propose a graph neural network encoding method for multiobjective evolutionary algorithm to handle the community detection problem in complex attribute networks. In the graph neural network encoding method, each edge in an attribute network is associated with a continuous variable. Through non-linear transformation, a continuous valued vector (i.e. a concatenation of the continuous variables associated with the edges) is transferred to a discrete valued community grouping solution. Further, two objective functions for single- and multi-attribute network are proposed to evaluate the attribute homogeneity of the nodes in communities, respectively. Based on the new encoding method and the two objectives, a multiobjective evolutionary algorithm (MOEA) based upon NSGA-II, termed as continuous encoding MOEA, is developed for the transformed community detection problem with continuous decision variables. Experimental results on single- and multi-attribute networks with different types show that the developed algorithm performs significantly better than some well-known evolutionary and non-evolutionary based algorithms. The fitness landscape analysis verifies that the transformed community detection problems have smoother landscapes than those of the original problems, which justifies the effectiveness of the proposed graph neural network encoding method.

研究の動機と目的

• ネットワークのトポロジーとノード属性の均質性の両方を最適化する必要がある複雑な属性ネットワークにおけるコミュニティ検出の課題に対処すること。
• 進化的アルゴリズムにおける離散探索空間の制限を克服するため、問題を連続領域に変換すること。
• 構造的および属性的情報を保持しつつ、効率的な最適化を可能にする新しい符号化手法の開発。
• 異なる属性タイプおよびコミュニティ構造を有する実世界ネットワークにおいて、提案手法の有効性を評価すること。
• 変換された問題が滑らかな適応度ランドスケープを有することを示し、探索効率の向上を実証すること。

提案手法

• 各エッジが連続変数に関連付けられるGNN符号化手法を提案し、ネットワークの連続ベクトル表現を形成する。
• 連続ベクトルを非線形変換により離散的コミュニティ割り当てに変換することで、連続空間における離散最適化を可能にする。
• 単一属性の均質性と複数属性の類似性のための2つの新しい目的関数を導入し、ネットワーク構造のモジュラリティと併せて用いる。
• 新しい符号化および目的関数に基づく連続符号化多目的進化的アルゴリズム（CE-MOEA）をNSGA-IIを基盤として開発する。
• 適応度ランドスケープ解析を用いて、元の離散問題と比較して、変換後の連続問題の滑らかさを評価する。
• 真値ラベルあり・なしの実世界ネットワークを用い、最先端のMOEAおよび非EA手法との性能を比較評価する。

実験結果

リサーチクエスチョン

• RQ1 GNNベースの符号化手法は、離散的コミュニティ検出を連続最適化問題に効果的に変換できるか？
• RQ2 提案手法の符号化は、元の離散問題と比較して、より滑らかな適応度ランドスケープを実現するか？
• RQ3 提案されたCE-MOEAは、属性ネットワークにおいて、既存のMOEAおよび非EAアルゴリズムと比較して優れた性能を示すか？
• RQ4 新しい符号化は、構造的コミュニティと属性均質性の両方の検出をどの程度向上させるか？
• RQ5 本手法は、異なる属性タイプおよびコミュニティ構造を有するネットワークに一般化可能か？

主な発見

• 提案されたGNN符号化手法は、離散的コミュニティ検出問題を連続探索空間に効果的に変換し、より効果的な最適化を可能にする。
• 適応度ランドスケープ解析の結果、変換後の問題は著しく滑らかなランドスケープを有しており、最適解からの距離と目的関数値の相関係数が、元の問題と比較して最大50％まで低下している。
• CE-MOEAは、NSGA-IIを基盤とするMOEA-SAおよびMOGA-@Netを上回り、提案手法の符号化の優位性を示している。
• 単一属性および複数属性構造を有する実世界ネットワークにおいて、CE-MOEAはモジュラリティおよび属性均質性指標の両面で優れた性能を達成している。
• コミュニティ数を事前に入力として必要としないため、多くの非進化的手法と比較してより実用的である。
• 結果から、連続符号化により探索空間の効率的探索が可能となり、高品質なコミュニティ検出ソリューションが得られることを確認した。