[論文レビュー] Local dominance unveils clusters in networks

Shi, Dingyi, Fan Shang+7 more|arXiv (Cornell University)|Sep 30, 2022

Complex Network Analysis Techniques参考文献 81被引用数 12

ひとこと要約

本稿では、局所的優位性（高次数のノードが周囲の低次数ノードを支配する）を用い、局所的なトポロジー情報と幅優先探索（BFS）のみに依存してコミュニティの中心を特定する、新たなコミュニティ検出アルゴリズムであるLocal Search（LS）を提案する。この手法は線形時間で実行可能であり、コミュニティ内およびコミュニティ間の自然な階層構造を同定可能で、合成ネットワークおよび実世界のネットワーク（ベクトルデータを含む）において、既存手法を上回る性能を示し、ノイズに対して高い耐性を示し、ベンチマークでのF1スコアも優れている。

ABSTRACT

Clusters or communities can provide a coarse-grained description of complex systems at multiple scales, but their detection remains challenging in practice. Community detection methods often define communities as dense subgraphs, or subgraphs with few connections in-between, via concepts such as the cut, conductance, or modularity. Here we consider another perspective built on the notion of local dominance, where low-degree nodes are assigned to the basin of influence of high-degree nodes, and design an efficient algorithm based on local information. Local dominance gives rises to community centers, and uncovers local hierarchies in the network. Community centers have a larger degree than their neighbors and are sufficiently distant from other centers. The strength of our framework is demonstrated on synthesized and empirical networks with ground-truth community labels. The notion of local dominance and the associated asymmetric relations between nodes are not restricted to community detection, and can be utilised in clustering problems, as we illustrate on networks derived from vector data.

研究の動機と目的

• 複雑なネットワークにおけるコミュニティ検出の課題に、コミュニティの中心と階層構造を明示的に特定できる手法で対処すること。
• グローバル最適化や類似度測定に依存せず、純粋に局所的なトポロジー情報に依存するコミュニティ検出アルゴリズムの開発。
• ヒューリスティックな目的関数やグローバルなノイズモデルに依存する既存手法と比較して、ノイズや誤ったコミュニティに対してより高い耐性を有すること。
• 離散化されたデータクラウドをネットワークとして扱うことで、ベクトルデータへのフレームワークの拡張を図り、従来のクラスタリング問題への応用を可能にすること。
• メトリクス空間のクラスタ中心と距離に基づく階層構造を、ネットワーク構造内でも模倣する統一的なアプローチの提供。

提案手法

• 局所的優位性の定義：ノードが自身の近隣ノードよりも次数が高く、他の優位ノードから十分に離れている場合、そのノードは局所的リーダーとみなす。
• 各潜在的リーダーから幅優先探索（BFS）を実行し、ノードをその支配領域（バスタム）に割り当てる。これにより根付き木が形成される。
• 局所的リーダーであり、かつ支配領域の重複が最小限であるノードをコミュニティの中心として特定。これにより、中心同士の分離が保証される。
• 優位性に基づくノードの部分順序付けを行い、リーダーがその局所領域内でフォロワーを支配する階層を構築。
• 局所情報のみを用いて反復的にアルゴリズムを適用することで、ノード数Nに対して線形時間O(N)の計算量を達成。
• ベクトルデータを近接性またはk近傍法によりネットワークに変換し、LSを適用することで、メトリクス空間クラスタリングに類似したクラスタを検出。

実験結果

リサーチクエスチョン

• RQ1 グローバル最適化や類似度測定に依存せずに、局所的優位性を用いてネットワーク内のコミュニティ中心と階層を定義可能か？
• RQ2 LSアルゴリズムは、既知の真のコミュニティを持つ合成ネットワークおよび実世界のネットワークにおいて、最先端手法と比較してどの程度の性能を示すか？
• RQ3 ベクトルデータをネットワーク表現に変換することで、LSは高次元空間における意味のあるクラスタをどの程度正しく検出できるか？
• RQ4 LSは、ランダムなエッジの追加・削除や、高次数ノードに対する標的攻撃に対してどの程度耐性を示すか？
• RQ5 LSは、特に重複するクラスタやノイズを含む状況において、従来のクラスタリング手法を上回る性能を示すか？

主な発見

• S-setsデータセットにおいて、クラスタの重複度が増加するに従い、F1スコアが0.99、0.94、0.74、0.62を示し、優れた耐性を示した。
• Clusterable-dataデータセットでは、HDBSCANと同等のクラスタとノイズの同定性能を示し、グレーの点はノイズまたはハロ状の領域を示している。
• 6つの実世界ネットワークにおいて、ランダムなエッジ削除・追加に対して、LSはLouvainよりも高いF1スコアを維持し、欠落または誤ったリンクに対して優れた耐性を示した。
• 標的障害シナリオでは、最大次数のノード同士を接続するとコミュニティ数が減少する傾向があり、強いリーダーが弱いリーダーを吸収するため、構造的摂動に対して感受性があることが示された。
• オリベッティ顔データベース（92×112次元）に適用した結果、33のクラスタ中心を特定し、F1スコアベンチマークでDDBアルゴリズムを上回る優れたクラスタリング性能を達成した。
• 本手法は、合成および実世界のネットワークにおいて、自然な階層とコミュニティ中心を効果的に検出でき、コミュニティ中心は近隣ノードよりも高い次数を持ち、互いに明確に分離されている。