[論文レビュー] Topological Feature Based Classification

Leto Peel|arXiv (Cornell University)|Oct 18, 2011

Complex Network Analysis Techniques参考文献 41被引用数 6

ひとこと要約

本稿では、スパースネットワークにおける関係的構造とノードクラスラベルを統合的にモデル化することで、分類に予測的に寄与するトポロジカル特徴（コミュニティや非同調的役割など）を自動で同定する新規手法である、スパースネットワークのための教師ありブロックモデリング（SBSN）を提案する。教師ありフレームワーク内でのブロックモデリングを活用することで、分類意思決定を説明するネットワーク上の位置（役割）を特定し、コンテンツベースの関係学習手法と同等の性能を達成するとともに、有向および概ね二部グラフ構造を示すネットワークにおいて、グラフベースの半教師あり手法を上回る性能を示す。

ABSTRACT

There has been a lot of interest in developing algorithms to extract clusters or communities from networks. This work proposes a method, based on blockmodelling, for leveraging communities and other topological features for use in a predictive classification task. Motivated by the issues faced by the field of community detection and inspired by recent advances in Bayesian topic modelling, the presented model automatically discovers topological features relevant to a given classification task. In this way, rather than attempting to identify some universal best set of clusters for an undefined goal, the aim is to find the best set of clusters for a particular purpose. Using this method, topological features can be validated and assessed within a given context by their predictive performance. The proposed model differs from other relational and semi-supervised learning models as it identifies topological features to explain the classification decision. In a demonstration on a number of real networks the predictive capability of the topological features are shown to rival the performance of content based relational learners. Additionally, the model is shown to outperform graph-based semi-supervised methods on directed and approximately bipartite networks.

研究の動機と目的

• コミュニティ検出における形式的検証および目的特化評価の欠如を是正するため、普遍的クラスタリングからタスク特化型の予測性能へと焦点を移す。
• モジュラリティに基づくコミュニティ検出の限界（解像度限界や退化問題）を、分類性能を評価基準として用いることで克服する。
• コミュニティにとどまらない、非同調的役割や構造的同等性といった、ノードクラスラベルを予測するために関連性のあるトポロジカル特徴を同定するモデルを開発する。
• 任意のまたは検証不能な真値パーティションに依存するのではなく、特定の分類文脈内での予測的有用性に基づいてトポロジカル特徴を検証するフレームワークを提供する。
• 実世界のネットワークにおいて、この教師ありブロックモデリング手法によって同定されたトポロジカル特徴が、コンテンツベースの関係学習モデルと同等の性能を発揮することを示す。

提案手法

• SBSNモデルは、ノード間の接続パターンに基づいてネットワーク上の位置（役割）を同定するブロックモデリングを用いる。各位置は、類似した接続プロファイルを持つノードのグループを表す。
• 確率的フレームワークを用いて、ノードクラスラベルと関係的構造を同時にモデル化する。リンクの確率は、ノードが割り当てられたネットワーク上の位置に依存する。
• モデルは2つの主要パラメータを推定する：π（K×K行列）、各ネットワーク上の位置間の相互作用確率を表し、φ（N×K行列）、各ノードの各位置への所属度を示す。
• スパarsityに対処し過学習を回避するため、変分ベイズ推論アプローチを用いてモデルを訓練する。初期化はネットワーク構造に関する事前知識に基づく。
• ブロックモデリング行列（π）は画像として可視化され、位置間の相互作用パターンを解釈可能にする。一方、φ行列はノードから位置への所属関係を示し、クラスラベルを予測するのに寄与する位置の同定を可能にする。
• 本手法は有向および重み付きネットワークをサポートし、アソートィティブ（コミュニティに類似）およびディアソートィティブ（例：二部構造）のネットワーク構造を両方検出可能である。

実験結果

リサーチクエスチョン

• RQ1 コミュニティや構造的役割といったトポロジカル特徴が、特定の分類タスクに直接関連する形で自動的に同定可能か。
• RQ2 教師ありブロックモデリングによって同定されたトポロジカル特徴の予測性能は、コンテンツベースの関係学習モデルと比べてどの程度か。
• RQ3 SBSNモデルは、通常の半教師あり学習手法が性能を発揮しにくい有向および概ね二部グラフ構造のネットワークにおいて、優れた性能を示せるか。
• RQ4 モデルが、非同調的ネットワーク上の位置（例：二部構造における役割）を、ノードクラスラベルを予測するのに寄与する形で同定できる程度はどの程度か。
• RQ5 予測性能を評価基準として用いることで、従来のモジュラリティベースや再構成ベースの評価と比較して、トポロジカル特徴同定の信頼性がどの程度向上するか。

主な発見

• SBSNモデルは、引用ネットワーク、ブログネットワーク、語彙ネットワークにおいて、コンテンツベースの関係学習手法と同等の予測分類性能を達成し、トポロジカル特徴のみで有効であることを示している。
• 有向および概ね二部グラフ構造のネットワークにおいて、SBSNは標準的なグラフベースの半教師あり学習手法を上回り、ラベル付きデータの割合が小さい場合に特に顕著である。
• モデルは、アソートィティブ（コミュニティに類似）およびディアソートィティブなネットワーク上の位置（例：語彙データセットにおける名詞の前に現れる形容詞）を両方とも成功裏に同定しており、言語的期待と整合している。
• π行列およびφ行列の可視化により明確なパターンが明らかになった：πの対角ブロックはアソートィティブコミュニティを示し、非対角ブロックはディアソートィティブな役割を示す。φ行列は、ノードクラスと特定のネットワーク上の位置との間で強い一致を示している。
• Coraデータセットにおいて、クラスラベルと特定のネットワーク上の位置との整合性が確認され、各分野分野が明確に分離されたネットワーク的役割に対応していることから、モデルが予測可能なネットワーク上の位置を同定できることを裏付けている。
• SBSNフレームワークはネットワークのスパarsityに強く、重み付きネットワークへの拡張も可能であり、将来的には1つのネットワーク上で複数の分類タスクを同時に処理する応用が期待できる。