[論文レビュー] Local Network Community Detection with Continuous Optimization of Conductance and Weighted Kernel K-Means

Twan van Laarhoven, Elena Marchiori|arXiv (Cornell University)|Jan 21, 2016

Complex Network Analysis Techniques被引用数 29

ひとこと要約

本稿では、$σ$-conductanceと呼ばれる正則化目的関数を導入することで、局所的コミュニティ検出のための連続最適化フレームワークを提案する。この目的関数は、conductanceと重み付きカーネル$k$-meansを統合する。PGDc（投影勾配降下）とEMc（期待最大化）を用いて$σ$-conductanceを最適化することで、高品質で局所的なコミュニティを達成する。実験により、大規模ネットワークにおいて、拡散ベースの手法に比べて優れた局所化性能と精度を示している。

ABSTRACT

Local network community detection is the task of finding a single community of nodes concentrated around few given seed nodes in a localized way. Conductance is a popular objective function used in many algorithms for local community detection. This paper studies a continuous relaxation of conductance. We show that continuous optimization of this objective still leads to discrete communities. We investigate the relation of conductance with weighted kernel k-means for a single community, which leads to the introduction of a new objective function, $σ$-conductance. Conductance is obtained by setting $σ$ to $0$. Two algorithms, EMc and PGDc, are proposed to locally optimize $σ$-conductance and automatically tune the parameter $σ$. They are based on expectation maximization and projected gradient descent, respectively. We prove locality and give performance guarantees for EMc and PGDc for a class of dense and well separated communities centered around the seeds. Experiments are conducted on networks with ground-truth communities, comparing to state-of-the-art graph diffusion algorithms for conductance optimization. On large graphs, results indicate that EMc and PGDc stay localized and produce communities most similar to the ground, while graph diffusion algorithms generate large communities of lower quality.

研究の動機と目的

• コミュニティ検出における離散的・貪欲的局所最適化の限界を克服し、conductanceの連続的緩和を可能にする。
• 単一コミュニティ（$k=1$）におけるconductanceと重み付きカーネル$k$-meansクラスタリングの関係を明確に定式化する。
• conductanceと正則化をバランスさせる新しい目的関数、$σ$-conductanceを提案し、コミュニティの品質と局所化を向上させる。
• 自動$σ$チューニングと局所性の保証を備えた、$σ$-conductanceを最適化するための効率的アルゴリズム（PGDcとEMc）を設計する。
• 連続最適化が、分数のノード所属を伴わずに離散的で高品質なコミュニティを生成できることを実験的に検証する。

提案手法

• 最適化における分数のノード所属を許容するため、conductanceの連続的緩和を提案する。
• $σ$-conductanceを、$σ$で制御される正則化項を加えたconductanceのハイブリッド目的関数として導入し、$k=1$の重み付きカーネル$k$-meansフレームワークから導出する。
• PGDcは、$σ$-conductanceを最適化するための投影勾配降下を用い、コミュニティ密度に基づく適応的$σ$チューニングを実装する。
• EMcは、$k$-meansクラスタリングへの関連を活用して、$σ$-conductanceを最適化する期待最大化手法を構築する。
• 連続緩和の厳密な局所最適解が離散的コミュニティであることを示す局所性の証明を用いることで、実用的・実装可能性を保証する。
• コミュニティ密度に基づく基準を用いて$σ$を動的に選択し、分離されたネットワーク構造においてより小さい・密なコミュニティを優先する。

実験結果

リサーチクエスチョン

• RQ1 conductanceの連続的緩和は、分数のノード所属を伴わずに離散的で高品質なコミュニティを生成できるか？
• RQ2 単一コミュニティ検出において、conductanceと重み付きカーネル$k$-meansの関係は何か？
• RQ3 conductanceと正則化をバランスさせる新しい目的関数$σ$-conductanceは、局所化性能とコミュニティ品質の向上に寄与できるか？
• RQ4 PGDcとEMcは、大規模ネットワークにおいて、拡散ベースの手法に比べて局所化性能と真値コミュニティとの類似性で優れているか？
• RQ5 パrameter $σ$ は最適化の多様性と局所最適解の数・品質にどのように影響を与えるか？

主な発見

• conductanceの連続緩和における厳密な局所最適解は、ほとんど常に離散的コミュニティであるため、連続最適化を直接離散的結果に応用可能である。
• 提案された$σ$-conductance目的関数は、コミュニティ密度に基づく自動$σ$チューニングを可能にし、$σ > 2$のときすべての離散的コミュニティが局所最適解となることが保証される。
• 大規模ネットワークにおいて、PGDcとEMcは、最先端の拡散アルゴリズムに比べて、より局所的かつ真値コミュニティに類似したコミュニティを生成する。
• 標準的なconductance（$σ = 0$）を最適化する際、PGDcとEMcは、conductanceは高いが真値との整合性が悪い過大なコミュニティを生成する問題を回避する。
• PGDcとEMcは、C++ベースの拡散手法（例：HK、PPR）に比べて4〜20倍遅いが、その代わりに優れたコミュニティ品質と局所化性能が得られる。
• 真値コミュニティが密で小さい場合、上位5000個の真値コミュニティに限定した実験において、PGDc-0とEMc-0は$σ$チューニング版を上回る性能を示し、$σ=0$が最適であることを確認した。