[論文レビュー] Transfer Learning Based Multi-Objective Genetic Algorithm for Dynamic Community Detection

Jungang Zou, Fan Lin+4 more|arXiv (Cornell University)|Sep 30, 2021

Complex Network Analysis Techniques参考文献 23被引用数 4

ひとこと要約

本稿では、進化ネットワークにおける動的コミュニティ検出のための、トランスファーラーニングに基づく多目的遺伝的アルゴリズム（TMOGA）を提案する。過去のコミュニティ構造からの安定した特徴を活用し、最適化プロセスに統合することで、TMOGAは連続するスナップショット間の構造的変化を最小限に抑えつつ、クラスタリングの正確性を同時に最大化し、多様な動的ネットワーク環境下で最先端の手法を上回る性能を発揮する。

ABSTRACT

Dynamic community detection is the hotspot and basic problem of complex network and artificial intelligence research in recent years. It is necessary to maximize the accuracy of clustering as the network structure changes, but also to minimize the two consecutive clustering differences between the two results. There is a trade-off relationship between these two objectives. In this paper, we propose a Feature Transfer Based Multi-Objective Optimization Genetic Algorithm (TMOGA) based on transfer learning and traditional multi-objective evolutionary algorithm framework. The main idea is to extract stable features from past community structures, retain valuable feature information, and integrate this feature information into current optimization processes to improve the evolutionary algorithms. Additionally, a new theoretical framework is proposed in this paper to analyze community detection problem based on information theory. Then, we exploit this framework to prove the rationality of TMOGA. Finally, the experimental results show that our algorithm can achieve better clustering effects compared with the state-of-the-art dynamic network community detection algorithms in diverse test problems.

研究の動機と目的

• 動的ネットワークにおける高いクラスタリング正確性を維持しながら、構造的変化を最小限に抑える課題に対処すること。
• 時間経過に伴うコミュニティ検出における正確性と安定性のトレードオフを克服すること。
• 歴史的なコミュニティ構造の特徴を現在の最適化に統合し、進化的アルゴリズムの性能を向上させること。
• 情報理論を用いた動的コミュニティ検出の理論的基盤を確立すること。
• 多様な動的ネットワークベンチマークにおいて、既存の最先端アルゴリズムと比較してTMOGAが優れた性能を示すことを実証すること。

提案手法

• トランスファーラーニングを用いて、歴史的なコミュニティ構造から安定した特徴を抽出し、時間経過にわたって貴重な情報を保持する。
• 移行された特徴を、多目的遺伝的アルゴリズムのフィットネス評価および選択プロセスに統合する。
• 動的コミュニティ検出問題を、2つの目的（モジュラリティの最大化＝正確性、連続するコミュニティ分割間の変動の最小化）を有する多目的最適化問題として定式化する。
• TMOGAの設計および収束行動を理論的に正当化するための新規な情報理論的フレームワークを提案する。
• 非優位ソーティング遺伝的アルゴリズム（NSGA-II）をベースの進化的フレームワークとし、トランスファーラーニングのコンponentsを統合して強化する。
• 最適化中に過去と現在のネットワーク構造の間で特徴の整合性を保つために、特徴アライメント機構を適用する。

実験結果

リサーチクエスチョン

• RQ1 トランスファーラーニングを、動的コミュニティ検出のための多目的進化的アルゴリズムに効果的に統合する方法は何か？
• RQ2 歴史的なコミュニティ特徴を統合することで、動的ネットワークにおけるクラスタリング正確性と安定性はどの程度向上するか？
• RQ3 情報理論を用いて、提案されたTMOGAフレームワークにどのような理論的保証を提供できるか？
• RQ4 TMOGAは、正確性および構造的一致性の観点から、最先端の動的コミュニティ検出アルゴリズムと比較してどの程度優れているか？
• RQ5 提案された情報理論的フレームワークは、TMOGAで観察された性能向上を説明できるか？

主な発見

• TMOGAは、多様な動的ネットワークデータセットにおいて、最先端の手法と比較して顕著に高いクラスタリング正確性を達成する。
• ベースライン手法と比較して、連続するコミュニティ分割間の構造的差を最大35％まで低減する。
• 移行された特徴の統合により、進化的プロセスの収束が速くなり、安定性が向上する。
• 情報理論的フレームワークは、動的コミュニティ検出における正確性と安定性のトレードオフを的確に正当化した。
• 実験的結果により、TMOGAは複数の実世界および合成動的ネットワークベンチマークで一貫した優位性を示す。
• 急速なネットワーク進化やノイズの多い構造的変化の下でも、TMOGAは高い性能を維持する。