[論文レビュー] On the Permanence of Vertices in Network Communities

Tanmoy Chakraborty, Sriram Srinivasan+3 more|arXiv (Cornell University)|Jun 10, 2014

Complex Network Analysis Techniques参考文献 21被引用数 9

ひとこと要約

本稿では、頂点の内部結合性と隣接コミュニティへの外部接続の分布を評価することにより、ネットワーク内のコミュニティ構造の強さを定量的に推定する新しい頂点ベースの指標であるパーマネンスを導入する。モジュラリティのようなグローバル指標とは異なり、パーマネンスは同定の際のばらつきを低減し、真のコミュニティ品質と強く相関し、ネットワーク成長に対しても安定性を保つため、構造的摂動に対してより感度が高く、本質的にモジュラーなネットワークをよりよく特定できる。

ABSTRACT

Despite the prevalence of community detection algorithms, relatively less work has been done on understanding whether a network is indeed modular and how resilient the community structure is under perturbations. To address this issue, we propose a new vertex-based metric called "permanence", that can quantitatively give an estimate of the community-like structure of the network. The central idea of permanence is based on the observation that the strength of membership of a vertex to a community depends upon the following two factors: (i) the distribution of external connectivity of the vertex to individual communities and not the total external connectivity, and (ii) the strength of its internal connectivity and not just the total internal edges. In this paper, we demonstrate that compared to other metrics, permanence provides (i) a more accurate estimate of a derived community structure to the ground-truth community and (ii) is more sensitive to perturbations in the network. As a by-product of this study, we have also developed a community detection algorithm based on maximizing permanence. For a modular network structure, the results of our algorithm match well with ground-truth communities.

研究の動機と目的

• ネットワークが本質的にモジュラーなコミュニティ構造を有しているかどうかを評価する定量的指標の不足に対処すること。
• 外部接続の総数ではなく、外部接続の分布に注目することで、コミュニティ検出アルゴリズムにおける同定のばらつきに依存しないようにすること。
• ネットワーク摂動に対するコミュニティ割り当てのレジリエンスを反映する指標を開発すること。
• 既存のグローバル指標（例：モジュラリティ）よりも、コミュニティ品質の正確で細分化された評価を提供すること。
• 伝統的な指標が高得点を示しても、コミュニティ検出に不適切なネットワークを特定できることを可能にすること。

提案手法

• パーマネンスは、各頂点について、内部結合性と、隣接する任意のコミュニティへの最大外部結合性の比を、全次数で正規化することで計算される。
• 他のコミュニティからの「引きつけ力」の尺度として、任意の1つの隣接コミュニティへの最大外部結合性が用いられ、割り当て意思決定における曖昧性が低減される。
• 外部の引きつけ力がすべての隣接頂点に均等に分配される場合、頂点はシングルトンコミュニティに割り当てられ、恣意的な同定を回避する。
• ネットワーク全体のパーマネンスは、個々の頂点パーマネンス値の平均であり、-1（極めて不安定）から1（コミュニティに強く束縛されている）の範囲をとる。
• この手法は、全体のパーマネンスを最大化するコミュニティ検出アルゴリズムに統合されており、その結果は真のコミュニティとよく一致する。
• 局所的な頂点レベルの情報を保持しつつ、グローバルなコミュニティ割り当ての文脈を組み込むことで、集約バイアスを回避する。

実験結果

リサーチクエスチョン

• RQ1 頂点ベースの指標は、モジュラリティのようなグローバル指標と比較して、コミュニティ構造の推定をより正確かつ安定的に行えるか？
• RQ2 特にモジュラリティが誤って高い値を示す場合に、パーマネンスはネットワークの真のモジュラリティをよりよく反映するか？
• RQ3 従来の指標と比較して、パーマネンスはネットワーク摂動に対してどのように反応するか？
• RQ4 モジュラリティスコアが高かったとしても、パーマネンスは本質的にモジュラーでないネットワークを特定できるか？
• RQ5 パーマネンスは、コミュニティ検出アルゴリズムにおける同定の頻度をどれほど低減できるか？

主な発見

• パーマネンス指標は真のコミュニティ品質と強く相関し、コミュニティ構造の正確な同定において、モジュラリティを上回る性能を示した。
• モジュラリティが欠如していることで知られる電力網ネットワークは、高得点のモジュラリティ0.98を示す一方で、パーマネンスは-0.16であった。これは、パーマネンスが非モジュラーなネットワークを検出できる能力を示している。
• 一方、30個のクリークが円形に配置されたネットワークでは、パーマネンスは0.92、モジュラリティは0.87であった。これは、パーマネンスが強いコミュニティ構造を効果的に捉えられることを確認している。
• 対称的なネットワーク成長下でもパーマネンスはほぼ一定であるのに対し、モジュラリティは継続的に上昇する。これは、パーマネンスが漸近的成長バイアスに対してより少ない傾向にあることを示している。
• パーマネンスに基づくコミュニティ検出アルゴリズムは、モジュラーなネットワークにおいて、真のコミュニティとよく一致する結果を生成した。
• パーマネンスはモジュラリティよりも構造的摂動に対して感度が高いため、コミュニティのレジリエンスの指標として優れている。