[論文レビュー] Sparse Popularity Adjusted Stochastic Block Model

Majid Noroozi, Marianna Pensky+1 more|arXiv (Cornell University)|Oct 3, 2019

Complex Network Analysis Techniques参考文献 38被引用数 8

ひとこと要約

本稿では、特定のブロック間接続確率を正確にゼロにできる一方で、他の確率はゼロから離れたままにできるようにすることで、構造的スパarsityを実現する新しいブロックモデル、Sparse Popularity Adjusted Stochastic Block Model (SP-ABM) を提案する。ノード固有のポピュラーさベクトルと柔軟な行列分解を活用することで、スパースなネットワーク状態下でも一貫性のあるコミュニティ検出が可能となり、スパースネスパターンがブロックに依存する場合でさえ、クラスタリング精度に関する理論的保証が得られる。

ABSTRACT

In the present paper we study a sparse stochastic network enabled with a block structure. The popular Stochastic Block Model (SBM) and the Degree Corrected Block Model (DCBM) address sparsity by placing an upper bound on the maximum probability of connections between any pair of nodes. As a result, sparsity describes only the behavior of network as a whole, without distinguishing between the block-dependent sparsity patterns. To the best of our knowledge, the recently introduced Popularity Adjusted Block Model (PABM) is the only block model that allows to introduce a {\it structural sparsity} where some probabilities of connections are identically equal to zero while the rest of them remain above a certain threshold. The latter presents a more nuanced view of the network.

研究の動機と目的

• SBM や DCBM といった既存のブロックモデルが、特定のコミュニティ間接続確率が正確にゼロであるようなブロック固有のスパースネスパターンを捉えることのできないという限界を解消すること。
• スパースネスがネットワーク全体に均一ではなく、ブロックペアごとに異なる「構造的スパースネス」を許容するモデルの開発により、現実世界のネットワークをより洗練された形で表現すること。
• 特にスパースネスがグローバルな性質ではなく、コミュニティごとに異なる場合に、スパースネットワーク条件下でもコミュニティ検出の一貫性を確立すること。
• PABM を一般化し、ハブや孤立したグループを有する現実的なネットワークトポロジーを反映するスパース制約を組み込むこと。

提案手法

• ノード固有のポピュラーさベクトル Λ^(k,l) を用いてブロック間接続確率を定義することで、P^(k,l) = Λ^(k,l) (Λ^(l,k))^T とし、柔軟でブロック依存のスパースネスを実現する PABM のスパース拡張を提案する。
• 特定のポピュラーさベクトルの成分をゼロにすることで構造的スパースネスを導入し、特定のノード・ブロックペア間で接続確率がゼロになるようにする。
• 確率行列 P を、コミュニティ間の外積によって定義されるランク1のブロックの和として表現する行列分解アプローチを用いる。
• 部分行列の固有値をバインドするためのインターリーシング定理を適用し、推定確率行列のフロベニウスノルムおよび作用素ノルムに対する集中不等式を導出する。
• 真の確率行列と推定確率行列の差を比較するための摂動解析フレームワークを採用し、スペクトルノルムおよびフロベニウスノルムの比較を通じてクラスタリング誤差の境界を導出する。
• スパースレジーム下で、真の確率行列と推定確率行列の差を分析することにより、非漸近的誤差境界をコミュニティ検出について導出する。

実験結果

リサーチクエスチョン

• RQ1 特定のコミュニティ間接続確率が正確にゼロである一方で、他の確率はゼロから離れているようなブロック固有のスパースネスパターンを捉えることができるステオキスティックブロックモデルを設計できるか？
• RQ2 PABM フレームワークにノード固有のポピュラーさベクトルを組み込むことで、識別可能性や推定の一貫性を損なわず、構造的スパースネスを実現できるか？
• RQ3 スパースネスパターンがコミュニティ間で一様でないスパースネットワークにおいて、コミュニティ検出が一貫するための理論的条件は何か？
• RQ4 構造的スパースネスが存在する状況下で、推定確率行列のスペクトルノルムおよびフロベニウスノルムは、クラスタリング誤差とどのように関係しているか？

主な発見

• SP-ABM モデルは構造的スパースネス下でも一貫したコミュニティ検出を達成し、適切なポピュラーさベクトルおよびスパースネスパラメータの条件下で、クラスタリング誤差が O(1/n) のオーダーで減少することが保証される。
• 確率行列 P のフロベニウスノルムは、a がベースライン接続確率、n がノード数であるとき、a²n² に比例する項で有界である。
• モデルは、部分行列 H_k の上位2つの固有値が、ブロック接続確率の和および積を含む式で下から有界であることを示し、スペクトル分離を可能にする。
• 解析により、真の確率行列と推定確率行列の差が αₙ‖P‖²_F によって制御され、n が増加するにつれて αₙ → 0 となるため、収束が保証される。
• 重要な不等式 Δ_D + Δ_ND ≥ ˜λ²_{2,1} + ˜λ²_{2,2} − αₙ‖P‖²_F は、クラスタリング誤差が摂動部分行列の2番目の固有値によって支配されることを示しており、モデルの仮定のもとでこの固有値はゼロから離れたまま保たれる。