[論文レビュー] The Power Mean Laplacian for Multilayer Graph Clustering

Pedro Mercado, Antoine Gautier+2 more|arXiv (Cornell University)|Mar 1, 2018

Complex Network Analysis Techniques被引用数 16

ひとこと要約

本稿では、マルチレイヤー・グラフの複数レイヤーからのラプラシアンを融合してスペクトルクラスタリングを改善する、1パラメータの行列平均であるパワー平均ラプラシアンを導入する。パrameterが$-\infty$に近づく際、ストークスティック・ブロック・モデル（SBM）において真のクラスタを完全に回復できることを示し、密行列を明示的に構築せずに固有ベクトルを効率的に計算する数値スキームを提供することで、大規模なスパース・グラフへのスケーラビリティを実現する。

ABSTRACT

Multilayer graphs encode different kind of interactions between the same set of entities. When one wants to cluster such a multilayer graph, the natural question arises how one should merge the information different layers. We introduce in this paper a one-parameter family of matrix power means for merging the Laplacians from different layers and analyze it in expectation in the stochastic block model. We show that this family allows to recover ground truth clusters under different settings and verify this in real world data. While computing the matrix power mean can be very expensive for large graphs, we introduce a numerical scheme to efficiently compute its eigenvectors for the case of large sparse graphs.

研究の動機と目的

• マルチレイヤー・グラフにおける複数レイヤーからの情報統合の課題に取り組む。
• 算術平均、幾何平均、調和平均を一般化する、原理的かつ行列平均に基づく統合手法を開発する。
• ストークスティック・ブロック・モデル（SBM）において、2つの設定（全レイヤーが情報を持つ、集団的情報のみが存在する）の下で、本手法の理論的性能を分析する。
• 密行列を明示的に構築せずに、行列パワー平均の主要固有ベクトルを計算するスケーラブルな数値アルゴリズムを設計する。

提案手法

• 複数のグラフレイヤーの正規化ラプラシアンを組み合わせるための1パラメータの行列パワー平均の族を提案する。
• スカラーのパワー平均の公式$ m_p(x_1,\dots,x_T) = \left(\frac{1}{T}\sum x_i^p\right)^{1/p} $を、関数計算を用いて対称的で半正定値の行列へ拡張する。
• 各レイヤーの正規化ラプラシアン$ L_{\text{sym}}^{(t)} $に行列パワー平均を適用し、統合ラプラシアン$ \mathcal{L}_p $を構築する。
• Krylov部分空間に基づくパワー法を用いて、$ \mathcal{L}_p $の主要固有ベクトルを効率的に計算し、密行列を明示的に計算しない。
• 得られた統合ラプラシアンを用いてスペクトルクラスタリングを実行し、最終的なクラスタリングを取得する。
• ストークスティック・ブロック・モデル（SBM）の下で、期待値の観点から、全レイヤーが情報を持つ場合と部分的に情報を持つ場合の両設定において、本手法を分析する。

実験結果

リサーチクエスチョン

• RQ1 複数レイヤーからのラプラシアンの行列パワー平均は、標準的な算術平均を上回り、真のクラスタを回復できるか？
• RQ2 マルチレイヤー・グラフにおけるクラスタ回復の最適なパワー平均パラメータ$ p $の値は何か？
• RQ3 個々のレイヤーが弱く情報を持つ場合、行列パワー平均はコミュニティ構造を保存または強化するか？
• RQ4 密行列を明示的に構築せずに、行列パワー平均の主要固有ベクトルを効率的に計算できるか？

主な発見

• パワー平均パラメータ$ p \to -\infty $に近づくと、ストークスティック・ブロック・モデル（SBM）において、期待値の観点で真のクラスタを完全に回復する。これは、個々のレイヤーが情報を持たない場合でも同様に成立する。
• 本手法は、標準的なラプラシアンの算術平均を大きく上回り、マルチレイヤー・グラフにおけるクラスタリングにおいて、算術平均が非最適であることが示された。
• 理論的分析により、行列パワー平均はクラスタリングに必要なスペクトル構造を保持しており、SBM設定下で固有値と固有ベクトルが明示的に特徴付けられていることが確認された。
• 提案された数値スキームは、1イテレーションあたり$ O(kn) $時間で、行列パワー平均の主要固有ベクトルを計算可能であり、大規模なスパース・グラフへのスケーラビリティを実現する。
• 合成SBMグラフを用いた実験では、複数のスパース・グラフ標本において安定したクラスタ回復が確認され、理論的予測と整合的であった。
• 実世界データの実験では、本手法がベースライン手法を上回るクラスタリング性能を達成しており、特に異種性や弱い情報を持つレイヤーを含む設定で顕著であった。