[論文レビュー] Multilayer Spectral Graph Clustering via Convex Layer Aggregation: Theory and Algorithms

Pin‐Yu Chen, Alfred O. Hero|arXiv (Cornell University)|Aug 8, 2017

Complex Network Analysis Techniques参考文献 40被引用数 8

ひとこと要約

本稿では、凸層結合を用いた多層スペクトルグラフクラスタリングフレームワークを提案し、異種ネットワーク層間でのクラスタリングの信頼性を向上させる。MIMOSAを導入し、段階的遷移解析を用いてクラスタ数と層重みを自動的に選択する反復的アルゴリズムを提供し、統計的信頼性保証のもとで、実世界および合成多層グラフにおいて優れた性能を達成する。

ABSTRACT

Multilayer graphs are commonly used for representing different relations between entities and handling heterogeneous data processing tasks. Non-standard multilayer graph clustering methods are needed for assigning clusters to a common multilayer node set and for combining information from each layer. This paper presents a multilayer spectral graph clustering (SGC) framework that performs convex layer aggregation. Under a multilayer signal plus noise model, we provide a phase transition analysis of clustering reliability. Moreover, we use the phase transition criterion to propose a multilayer iterative model order selection algorithm (MIMOSA) for multilayer SGC, which features automated cluster assignment and layer weight adaptation, and provides statistical clustering reliability guarantees. Numerical simulations on synthetic multilayer graphs verify the phase transition analysis, and experiments on real-world multilayer graphs show that MIMOSA is competitive or better than other clustering methods.

研究の動機と目的

• 複数のネットワーク層にまたがる異種的な接続パターンを統合し、頑健なコミュニティ検出を実現する課題に対処すること。
• 信号＋ノイズモデル下での多層グラフにおけるクラスタリング信頼性を評価する理論的枠組みを構築すること。
• クラスタ数と最適な層重みを同時に選択する自動化されたアルゴリズムを設計し、クラスタリング性能を向上させること。
• 層結合プロセスの段階的遷移解析を通じて、クラスタリング信頼性に関する統計的保証を提供すること。
• 実世界の多層ネットワークにおいて、均等重み付け、モジュラリティ最大化、部分空間クラスタリングといった従来手法を上回ること。

提案手法

• 層隣接行列の凸結合として多層スペクトルクラスタリングを定式化し、合計が1となる非負の重みを用いる。
• 重み付き平均グラフにスペクトルクラスタリングを適用し、各層間で一貫したノード割り当てを取得する。
• クラスタ間エッジのノイズレベルに基づき、信頼性あり／信頼性なしのクラスタリング領域を分ける段階的遷移閾値を導出する。
• 反復的アルゴリズムとしてMIMOSAを導入し、段階的にクラスタ数を増やし、統計的信頼性テストを用いて層重みを適応的に調整する。
• 固有スペクトルに基づく臨界ノイズ閾値の境界を用いて、モデル次数と重み選択をガイドする。
• 各反復で信頼性テストを実施し、現在のクラスタリング結果が統計的に信頼できるかどうかを判断する。

実験結果

リサーチクエスチョン

• RQ1 信号＋ノイズモデル下での多層スペクトルクラスタリングにおいて、信頼性あり／信頼性なしのクラスタリングを分ける臨界ノイズ閾値は何か？
• RQ2 層重みとグラフトポロジーは、凸層結合スペクトルクラスタリングの性能にどのように共同で影響を与えるか？
• RQ3 自動モデル次数選択と層重み適応が、多層ネットワークにおけるクラスタリング精度を向上させ得るか？
• RQ4 提案された段階的遷移解析は、異なるノイズレベルにおけるクラスタリング信頼性をどのように予測するか？
• RQ5 MIMOSAは、実世界の多層グラフにおいて、均等重み付け、グリーディーなモジュラリティ最大化、部分空間クラスタリングといったベースライン手法を上回るか？

主な発見

• MIMOSAは、9つの実世界データセットのうち6つで、すべてのベースラインと同等以上または優れたクラスタリング性能を達成した。特に、均等重み付けが失敗するケースでも有効であった。
• VC 7年生の社会的ネットワークでは、MIMOSAは正しく2つのクラスタ（真値と一致）を特定したが、MIMOSA-uniformはノイズの強い層に均等重みを割り当てたため失敗した。
• VC 7年生データセットの最適層重みベクトルは w* = [0.0531, 0.1608, 0.7861]ᵀ であり、情報量の多い層への強い偏向が示された。
• MIMOSAは、Self-Tuning や SC-ML よりも多数のデータセットで優れた性能を示し、単純なグラフ和算が必ずしも良い性能を保証しないことを示した。
• GenLouvainはしばしばクラスタ数を過剰に推定したが、MIMOSAは2クラスタケースにおいて真値と整合性を保った。
• 合成グラフ上での数値的検証により、段階的遷移解析が信頼性あり／信頼性なしのクラスタリング領域を分ける臨界ノイズ閾値の存在を確認した。