[論文レビュー] Resolution Limits for Detecting Community Changes in Multilayer Networks

Michael Vaiana, Sarah F. Muldoon|arXiv (Cornell University)|Mar 9, 2018

Complex Network Analysis Techniques参考文献 35被引用数 7

ひとこと要約

本稿は、多層ネットワークのコミュニティ検出における分解能の限界を特定し、コミュニティの変化が層間で検出不能になるような相互結合パラメータ ω の上界を証明することで、その限界を明らかにしている。ω と分解能パラメータ γ の間には線形関係が存在し、コミュニティの合体を検出するためには ω が臨界閾値未満に保たれる必要がある（例：玩具モデルでは 0.6γ がその値）。これは、実世界の多層ネットワーク解析におけるパrameter選択に大きな影響を及える。

ABSTRACT

Multilayer networks capture pairwise relationships between the components of complex systems across multiple modes or scales of interactions. An important meso-scale feature of these networks is measured though their community structure, which defines groups of strongly connected nodes that exist within and across network layers. Because interlayer edges can describe relationships between different modalities, scales, or time points, it is essential to understand how communities change and evolve across layers. A popular method for detecting communities in multilayer networks consists of maximizing a quality function known as modularity. However, in the multilayer setting the modularity function depends on an interlayer coupling parameter, $ω$, and how this parameter affects community detection is not well understood. Here, we expose an upper bound for $ω$ beyond which community changes across layers can not be detected. This upper bound has non-trivial, purely multilayer effects and acts as a resolution limit for detecting evolving communities. Further, we establish an explicit and previously undiscovered relationship between the single layer resolution parameter, $γ$, and interlayer coupling parameter, $ω,$ that provides new understanding of the modularity parameter space. Our findings not only represent new theoretical considerations but also have important practical implications for choosing interlayer coupling values when using multilayer networks to model real-world systems whose communities change across time or modality.

研究の動機と目的

• 多層ネットワークの層間におけるコミュニティ変化を検出する際の根本的制限を特定すること。
• 相互結合パラメータ ω が多層モジュラリティ最大化におけるコミュニティ検出に与える影響を理解すること。
• コミュニティの変化が検出不能になるような、相互結合パラメータ ω の理論的上界 Ω を確立すること。
• 相互結合パラメータ ω と単層の分解能パラメータ γ の関係を解明すること。
• 実世界の多層ネットワーク応用において ω と γ を選択するための実用的指針を提供すること。

提案手法

• 多層モジュラリティ関数を用いて、相互結合パラメータ ω の解析的上界 Ω を導出する。
• 一般化された多スケールモジュラリティ関数を用いて、層間のコミュニティ構造をモデル化する。
• 1つの層で離散的なクリークが存在し、別の層でそれらが統合されたクリークを持つ玩具ネットワークを用い、Ω を明示的に計算する。
• コミュニティの変化（例：合体）が ω > Ω の場合に、内部層のコミュニティ構造が強くても検出不能であることを示す。
• ω と γ の間の線形関係 ω < aγ + b を確立し、多層モジュラリティのパrameter空間において未知の依存関係を明らかにする。
• 10ノードから成る具体的な例（1つの層で2つのクリーク、別の層で1つのクリーク）を用いて、Ω = 0.6γ を得て、境界を検証する。

実験結果

リサーチクエスチョン

• RQ1 多層ネットワークにおいて、層間のコミュニティ変化が検出不能になるような、相互結合パラメータ ω の最大値は何か？
• RQ2 相互結合パラメータ ω と多層モジュラリティフレームワークにおける分解能パラメータ γ はどのように相互作用するか？
• RQ3 強い内部層のコミュニティ構造が存在する場合でも、ω が大きすぎる場合にはコミュニティの合体が検出不能になるか？
• RQ4 コミュニティ変化が層間で検出可能であることを保証する理論的上界 Ω が存在するか？
• RQ5 多層コミュニティ検出の文脈において、ω と γ の明示的な関数的関係は何か？

主な発見

• コミュニティの変化（例：2つのコミュニティの合体）がモジュラリティ最大化によって検出不能になるような、相互結合パラメータ ω の上界 Ω が存在する。
• 1つの層で3クリークと7クリークが存在し、別の層でそれらが10クリークに合体する玩具モデルにおいて、Ω = 0.6γ として境界が計算され、変化を検出するには ω < 0.6γ に保たれる必要がある。
• 上界 Ω はネットワークのトポロジーと層間接続性に依存しており、単層ネットワークには見られない非自明な多層効果を示す。
• ω と γ の間には線形関係 ω < aγ + b が確立され、多層モジュラリティのパrameter空間において以前に未知であった制約が明らかになった。
• 強い内部層のコミュニティ構造が存在しても、ω が導出された境界を超えると、コミュニティの合体は依然として検出不能であり、検出可能性に関する直感的仮定に疑問を呈する。
• 研究結果は、実験的 ω 値が、特に動的変化や異種モードの変化を検出する際には、与えられた γ に対して検出可能な範囲内に保たれるように、グローバルにスケーリングされる必要がある可能性を示唆している。