[論文レビュー] Stability of graph communities across time scales

Jean‐Charles Delvenne, Sophia N. Yaliraki+1 more|arXiv (Cornell University)|Dec 9, 2008

Complex Network Analysis Techniques被引用数 14

ひとこと要約

本稿では、グラフのクラスタリングに内在する時間スケールに依存する安定性指標を提案する。この指標は、クラスタ構造を持つグラフ上でのマルコフ過程の自己共分散を用いて、内在的時間スケールにわたる分割の質を評価する。この手法により、modularity（t=1）、normalized cut、およびスペクトルクラスタリング（t→∞）が統一され、modularityの分解能制限問題を克服する解像度適応型コミュニティ検出が可能となり、時間経過に伴い細分化から粗粒度化へと変化する階層的クラスタリングが明らかになる。

ABSTRACT

The complexity of biological, social and engineering networks makes it desirable to find natural partitions into communities that can act as simplified descriptions and provide insight into the structure and function of the overall system. Although community detection methods abound, there is a lack of consensus on how to quantify and rank the quality of partitions. We show here that the quality of a partition can be measured in terms of its stability, defined in terms of the clustered autocovariance of a Markov process taking place on the graph. Because the stability has an intrinsic dependence on time scales of the graph, it allows us to compare and rank partitions at each time and also to establish the time spans over which partitions are optimal. Hence the Markov time acts effectively as an intrinsic resolution parameter that establishes a hierarchy of increasingly coarser clusterings. Within our framework we can then provide a unifying view of several standard partitioning measures: modularity and normalized cut size can be interpreted as one-step time measures, whereas Fiedler's spectral clustering emerges at long times. We apply our method to characterize the relevance and persistence of partitions over time for constructive and real networks, including hierarchical graphs and social networks. We also obtain reduced descriptions for atomic level protein structures over different time scales.

研究の動機と目的

• 複雑ネットワークにおけるコミュニティ分割の質を評価するための合意形成の欠如に対処すること。
• グラフの分割をランク付け・比較可能な動的で時間スケール依存のフレームワークを提供すること。
• マルコフ時間による内在的分解能パラメータを導入することで、modularityの分解能制限問題を克服すること。
• 既存のコミュニティ検出指標（例：modularity、normalized cut、スペクトルクラスタリング）を統一的な確率的枠組みの下に統合すること。
• 合成的および実世界のネットワークにおいて、多スケールダイナミクスを示すネットワークにおける、持続的かつ関連性のあるコミュニティ構造の同定を可能にすること。

提案手法

• グラフの分割の安定性を、グラフ上での連続時間マルコフ過程のクラスタリングされた自己共分散として定義する。
• マルコフ時間 t を内在的分解能パラメータとして用い、すべての時間スケール（分数 t を含む）での分割評価を可能にする。
• 安定性指標 R(t) を、分割されたグラフ上の集約マルコフ連鎖の遷移行列 R_t のトレースとして定式化する。
• modularity と normalized cut が t=1 における安定性に対応することを確立し、Fiedler のスペクトルクラスタリングが t→∞ の極限に対応することを示す。
• 階層的グラフ、ソーシャルネットワーク、タンパク質構造を含む実際および合成ネットワークに安定性フレームワークを適用し、時間スケールに特化したクラスタリングを抽出する。
• 連続時間版の安定性を用いて、modularity の分解能制限を超える領域を分析し、線形化された多スケール手法と関連付ける。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、異なる時間スケールにわたってグラフの分割の質を定量的に測定できるか？
• RQ2 modularity、normalized cut、スペクトルクラスタリングといった既存のコミュニティ検出指標を、1つのフレームワークで統合できるか？
• RQ3 マルコフ時間は、コミュニティ検出における内在的分解能パラメータとしてどのように機能するか？
• RQ4 持続的ダイナミカル・バニオンと安定したコミュニティ構造との間にはどのような関係があるか？
• RQ5 安定性指標は、多スケールダイナミクスを示すネットワークにおいて、関連性があり持続的な分割を同定できるか？

主な発見

• 安定性指標 R(t) は、時間スケールに依存する分割の質の評価を提供し、高い安定性はより一貫性があり持続的なコミュニティを示す。
• modularity と normalized cut が t=1 における安定性指標の特殊ケースであることが示され、1ステップ測定としての有効性が裏付けられる。
• Fiedler のスペクトルクラスタリングは t→∞ の安定性の極限として現れ、スペクトル手法が長期的なダイナミカルな持続性と関連していることが明らかになる。
• 小さな t における細分化（分数時間も含む）を可能にすることで、この手法は modularity の分解能制限を回避する。
• t の増加に伴い、細分化から粗粒度化へのクラスタリングの階層がフレームワークによって明らかになり、長時間にわたって有効な分割の同定が可能になる。
• タンパク質構造への応用において、コミュニティの安定性が、異なるダイナミック時間スケールにわたって機能的に関連する構造モチーフを同定することが示された。