[論文レビュー] Network modularity in the presence of covariates

Beate Franke, Patrick J. Wolfe|arXiv (Cornell University)|Mar 3, 2016

Complex Network Analysis Techniques参考文献 20被引用数 5

ひとこと要約

本稿は、ノードの共変量によって定義されたコミュニティ構造に対して、p値を計算可能な極限定理を導出することによって、ネットワークモジュラリティの形式的統計的基盤を確立する。コミュニティ構造が存在しない帰無仮説の下で、モジュラリティが漸近的に正規分布に従うことを示し、重み付き、スパース、パワー則的ネットワークを含む多様なネットワークタイプにおいて、共変量で定義されたコミュニティがネットワークパターンを意味的に説明できるかどうかを客観的に評価可能にする。

ABSTRACT

We characterize the large-sample properties of network modularity in the presence of covariates, under a natural and flexible nonparametric null model. This provides for the first time an objective measure of whether or not a particular value of modularity is meaningful. In particular, our results quantify the strength of the relation between observed community structure and the interactions in a network. Our technical contribution is to provide limit theorems for modularity when a community assignment is given by nodal features or covariates. These theorems hold for a broad class of network models over a range of sparsity regimes, as well as weighted, multi-edge, and power-law networks. This allows us to assign $p$-values to observed community structure, which we validate using several benchmark examples in the literature. We conclude by applying this methodology to investigate a multi-edge network of corporate email interactions.

研究の動機と目的

• ネットワーク自体から推定されるのではなく、観測されたノードの共変量によって定義されたコミュニティに対して、ネットワークモジュラリティの統計的に厳密な解釈を提供すること。
• ヒューリスティックにモジュラリティを使用するのではなく、統計的有意性の観点からコミュニティ構造の強さを定量化すること。
• 重み付き、多重辺、パワー則的ネットワークを含む多様なネットワークタイプを扱える非パラメトリック枠組みを構築し、制限的なパラメトリック仮定を回避すること。
• 共変量に基づくコミュニティ割り当てが観察されたネットワーク構造を説明できるかどうかを仮説検定可能にするために、モジュラリティ値にp値を割り当てる仕組みを提供すること。
• コミュニティ構造とネットワークトポロジーを正式に結びつけることで、ネットワーク解析における解釈のギャップを解消すること。

提案手法

• 帰無仮説（コミュニティ構造なし）を仮定したモデルのもとで、観測されたエッジ重みと期待されるエッジ重みの母集団レベルの差を推定するモジュラリティを導出する。
• 各ノードが自身の期待次数を表す1つのパラメータを持つ非パラメトリック次数ベースのモデルを採用し、エッジ重みの分布的仮定を回避する。
• コミュニティ構造が存在しない場合にモジュラリティが漸近的に正規分布に従うことを示す中心極限定理を確立する。
• ノードの共変量がコミュニティ割り当てを定義できる柔軟な枠組みを導入し、それらの説明力の統計的検定を可能にする。
• モジュラリティ推定量の誤差項を分析し、スパarsityとノード次数分布に関する仮定を用いてそれらをバインドし、正規分布への収束を証明する。
• ベンチマークネットワークを用いた検証と、多重辺構造を持つ実世界の企業メールネットワークへの適用により、手法の有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 コミュニティが推定されるのではなく、共変量によって定義される場合、モジュラリティを統計的検定の検定統計量として正式に解釈できるか？
• RQ2 共変量がコミュニティを定義する場合、コミュニティ構造が存在しない帰無仮説の下で、モジュラリティの漸近的分布はどのようなものか？
• RQ3 観測されたモジュラリティ値にp値を割り当て、原理的かつ一貫した方法で統計的有意性を評価するにはどうすればよいか？
• RQ4 性別、人種、学年などのノードの共変量が、実際のネットワークにおける観測されたコミュニティ構造をどの程度説明できるか？
• RQ5 提案手法は、重み付き、スパース、パワー則的ネットワークを含む多様なネットワークタイプにおいても有効性を保つのか？

主な発見

• コミュニティ構造が存在しない帰無仮説の下で、共変量によって定義されたコミュニティの場合、モジュラリティは漸近的に正規分布に従い、p値の計算が可能になる。
• 本手法は、重み付き、多重辺、パワー則的ネットワークを含む広範なネットワークモデルクラスにおいて有効であり、エッジ分布に関するパラメトリック仮定を必要としない。
• 本フレームワークにより、観測されたモジュラリティ値にp値を割り当てることができ、共変量に基づくコミュニティがネットワーク構造をどの程度説明できるかを客観的に測定可能である。
• 中心極限定理は、一般のスパarsityの設定下でも成り立ち、エッジ重みや次数分布に関する強いパラメトリック仮定を必要としない。
• ベンチマークネットワークでの検証と、企業メールネットワークへの適用により、実世界の状況でも有効であることが示された。
• モジュラリティ推定量の誤差項は有界であり、$\mathcal{O}(n^{-3/2})$ のレートで0に収束するため、緩い正則性条件のもとで漸近的正規性の結果が保証される。