[論文レビュー] LabelRank: A Stabilized Label Propagation Algorithm for Community Detection in Networks

Jierui Xie, Bolesław K. Szymański|arXiv (Cornell University)|Mar 4, 2013

Complex Network Analysis Techniques参考文献 28被引用数 25

ひとこと要約

LabelRankは、ランダム性を排除し、安定性と性能を向上させるために、伝播、インフレーション、カットオフ、条件付き更新の4つの演算子を導入することで、ネットワークにおけるコミュニティ検出のための安定化されたラベル伝播アルゴリズムを提案する。この手法は、実世界のネットワークにおいてLPAや他のアルゴリズムと比較して顕著なモジュラリティの向上を達成し、決定的かつ高品質なコミュニティ検出を実現する。

ABSTRACT

An important challenge in big data analysis nowadays is detection of cohesive groups in large-scale networks, including social networks, genetic networks, communication networks and so. In this paper, we propose LabelRank, an efficient algorithm detecting communities through label propagation. A set of operators is introduced to control and stabilize the propagation dynamics. These operations resolve the randomness issue in traditional label propagation algorithms (LPA), stabilizing the discovered communities in all runs of the same network. Tests on real-world networks demonstrate that LabelRank significantly improves the quality of detected communities compared to LPA, as well as other popular algorithms.

研究の動機と目的

• ランダムな同点処理による反復実行時のコミュニティ分割が異なることが問題となる伝統的なラベル伝播アルゴリズム（LPA）の不安定性を解消すること。
• 局所的で分散型の計算の効率を保ちながら、ランダム性を排除することで、大規模ネットワークにおけるコミュニティ検出の品質と一貫性を向上させること。
• 動的で変化し続けるネットワークへのラベル伝播の信頼できる応用を可能にするために、決定的出力を保証すること。
• LPAが失敗する（例：単一の巨大コミュニティが生成される）ようなスパarsなネットワーク構造や困難なネットワーク構造へのラベル伝播の適用範囲を拡張すること。
• 将来の重複コミュニティ検出や分散型動的ネットワーク解析への拡張のためのスケーラブルで効率的かつ安定した基盤を提供すること。

提案手法

• 各ノードに、特定のラベル（ノードID）に割り当てられる確率（確率ベクトル）を表すラベル分布を維持する。
• 隣接関係に基づいて、局所的情報のみを用いて、ラベル分布を隣接ノードに伝播する伝播演算子を適用する。
• ラベル確率の差を強調することで、支配的ラベルを強化しノイズを低減するインフレーション演算子を適用する。
• 低確率ラベルを除去することで計算負荷を低減し、支配的コミュニティ信号に焦点を当てるカットオフ演算子を適用する。
• 動的ラベル更新により早期収束や自明な解（例：単一の巨大コミュニティ）を回避するため、条件付き更新演算子を導入する。
• モジュラリティの変化に基づく新しい停止基準を採用し、以降の反復で改善が見込めない場合に処理を停止する。

実験結果

リサーチクエスチョン

• RQ1 同じネットワークに対して複数回実行した際に、決定的コミュニティ分割を達成できるようにラベル伝播を安定化させることは可能か？
• RQ2 特に条件付き更新とカットオフの演算子が、標準LPAと比較してコミュニティ検出の品質と耐性をどのように向上させるか？
• RQ3 多様な実世界ネットワークにおいて、LabelRankはLPA、MCL、Infomapと比較して、モジュラリティと安定性の面でどの程度優れているか？
• RQ4 LPAが失敗する（例：単一の巨大コミュニティを生成する）ようなスパースまたは困難なネットワークにおいて、LabelRankは効果的にコミュニティ検出を実行できるか？
• RQ5 ネットワーク構造（隣接行列A）とラベル確率行列（P）を分離することで、MCLに類似したアプローチと比較して性能とスケーラビリティが向上するか？

主な発見

• LabelRankは決定的コミュニティ検出を達成し、伝統的なLPAに内在するランダム性を排除し、実行間で一貫した結果を保証する。
• Enronメールネットワークでは、LabelRankがLPAのモジュラリティ0.31から0.58に向上し、相対的に87.1%の改善を達成し、MCLを25.93%上回った。
• PGPネットワークでは、LabelRankがLPAのモジュラリティ0.63から0.81に向上し、相対的に28.57%の改善を達成し、MCLを1.25%上回った。
• EvaおよびEpinionsネットワークでは、LPAが完全に失敗したが、LabelRankは自明なコミュニティ出力を防止し、正常に動作した。
• EvaネットワークではLabelRankがモジュラリティ0.89を達成し、MCLおよびInfomapと同等の性能を示し、LPA（報告なし）を上回った。これは、スパースネットワークでも高い耐性を示していることを示している。
• HighSchoolネットワークではInfomapを10.34%、Epinionsネットワークでは9.43%上回った。これは、多様なネットワークタイプにわたり強力な競争力を持つことを示している。