[論文レビュー] Spectral Clustering for Multiple Sparse Networks: I

Sharmodeep Bhattacharyya, Shirshendu Chatterjee|arXiv (Cornell University)|May 27, 2018

Complex Network Analysis Techniques参考文献 41被引用数 24

ひとこと要約

本稿では、スパースな複数のネットワークにおいて共通のコミュニティ構造を検出するためのスペクトルクラスタリング手法を提案する。平方化された隣接行列を用いることで信号検出を強化し、ストークスティックブロックモデルおよびデグリーキャリブレートドブロックモデルの両方において、理論的整合性を確立する。個々のネットワークが検出可能閾値未満であっても、ネットワーク数が十分に大きい限り、コミュニティ検出が可能である。

ABSTRACT

Although much of the focus of statistical works on networks has been on static networks, multiple networks are currently becoming more common among network data sets. Usually, a number of network data sets, which share some form of connection between each other are known as multiple or multi-layer networks. We consider the problem of identifying the common community structures for multiple networks. We consider extensions of the spectral clustering methods for the multiple sparse networks, and give theoretical guarantee that the spectral clustering methods produce consistent community detection in case of both multiple stochastic block model and multiple degree-corrected block models. The methods are shown to work under sufficiently mild conditions on the number of multiple networks to detect associative community structures, even if all the individual networks are sparse and most of the individual networks are below community detectability threshold. We reinforce the validity of the theoretical results via simulations too.

研究の動機と目的

• 個々のネットワークが検出不能である可能性がある複数のスパースネットワークにおいて、共有されるコミュニティ構造を同定する課題に対処すること。
• 理論的保証を伴うスペクトルクラスタリング手法をマルチネットワーク設定に拡張すること。
• ストークスティックブロックモデルおよびデグリーキャリブレートドブロックモデルの両方において、コミュニティ検出の一貫性を示すこと。
• 個々のネットワークがスパースで検出可能閾値未満であっても、コミュニティ検出が可能であることを示すこと。
• さまざまなネットワーク構成におけるシミュレーションを通じて理論的結果を検証すること。

提案手法

• 本手法は、複数のネットワークにおける平方化された隣接行列の和を用いたスペクトルクラスタリングを採用し、コミュニティ信号を強化する。
• 平方化された隣接行列の主要固有ベクトルをスペクトルクラスタリングの入力として使用し、信号対雑音比を向上させる。
• 理論的分析では、固有ベクトルの摂動バウンドと行列集中不等式を用いて推定誤差を制御する。
• 重要な要素として、推定されたコミュニティ所属行列と真のコミュニティ所属行列を一致させるために直交プロクラステスアライメントを用いる。
• 本手法は、ストークスティックブロックモデルおよびデグリーキャリブレートドブロックモデルの両方へ適用され、ネットワーク数にやや厳しい条件が課されても一貫性が示されている。
• 理論的保証は、推定されたスペクトル埋め込みと真のスペクトル埋め込みの差のフロベニウスノルムのバウンドを用いて導出される。

実験結果

リサーチクエスチョン

• RQ1 個々のネットワークがコミュニティ検出可能閾値未満であっても、複数のスパースネットワークにおいてスペクトルクラスタリングが一貫してコミュニティ構造を検出できるか？
• RQ2 ネットワーク数がスパースなマルチネットワーク設定におけるコミュニティ検出の一貫性にどのように影響するか？
• RQ3 マルチネットワークシステムにおいて、平方化された隣接行列の和にスペクトルクラスタリングを適用した場合の理論的性能は何か？
• RQ4 本手法は、ストークスティックブロックモデルおよびデグリーキャリブレートドブロックモデルの両方において一貫性を保つのか？
• RQ5 本手法は、複数のネットワークにわたる集約によって、個々のスパースネットワークにおける弱い信号の課題をどのように処理するか？

主な発見

• スペクトルクラスタリング手法は、個々のネットワークがコミュニティ検出可能閾値未満であっても、複数のスパースネットワークにおいて一貫したコミュニティ検出を達成する。
• 理論的分析により、ネットワーク数がネットワークサイズとともに十分に増加すれば、本手法が一貫性を保つことが示された。
• 本手法は、平方化された隣接行列を用いることで弱いコミュニティ信号を強化し、スパースな環境下での検出可能性を向上させる。
• コミュニティ検出の誤差は、推定されたスペクトル埋め込みと真のスペクトル埋め込みの差のフロベニウスノルムに比例する項によってバウンドされる。
• 誤分類されたノードの数は、コミュニティ固有の分散項の和とスペクトル推定誤差を含む係数によってバウンドされる。
• シミュレーションにより理論的結果が確認され、個々のネットワークがスパースであっても、ネットワーク数が増加するにつれて検出精度が向上することが示された。