[論文レビュー] Unfolding network communities by combining defensive and offensive label propagation

Lovro Šubelj, Marko Bajec|arXiv (Cornell University)|Mar 14, 2011

Complex Network Analysis Techniques参考文献 33被引用数 9

ひとこと要約

本稿では、防御的保持（コアノードの優先）と攻撃的拡張（境界ノードの優先）の戦略を組み合わせることで、複雑ネットワークにおけるコミュニティ検出を向上させる、新しいラベル伝播アルゴリズムK-Coresを提案する。ネットワークのトポロジーが戦略の好みを決定することを示し、密度の高いネットワークでは防御的保持が、密度の低いネットワークでは攻撃的拡張が優れていることが判明。実世界およびベンチマークネットワークにおいて、より高いモジュラリティとスケーラビリティを達成した。

ABSTRACT

Label propagation has proven to be a fast method for detecting communities in complex networks. Recent work has also improved the accuracy and stability of the basic algorithm, however, a general approach is still an open issue. We propose different label propagation algorithms that convey two unique strategies of community formation, namely, defensive preservation and offensive expansion of communities. Furthermore, the strategies are combined in an advanced label propagation algorithm that retains the advantages of both approaches; and are enhanced with hierarchical community extraction, prominent for the use on larger networks. The proposed algorithms were empirically evaluated on different benchmarks networks with planted partition and on over 30 real-world networks of various types and sizes. The results confirm the adequacy of the propositions and give promising grounds for future analysis of (large) complex networks. Nevertheless, the main contribution of this work is in showing that different types of networks (with different topological properties) favor different strategies of community formation.

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検出において、基本的なラベル伝播の不安定さと低精度を解消すること。
• 防御的（コア保持）および攻撃的（境界拡張）戦略が、コミュニティ検出の品質と安定性を向上させるかどうかを調査すること。
• 両方の戦略を統合したハイブリッドアルゴリズム（K-Cores）を開発し、多様なネットワークタイプにおけるパフォーマンスを向上させること。
• 階層的コミュニティ抽出技術を用いて、大規模ネットワークにおけるスケーラブルなコミュニティ検出を可能にすること。
• どのネットワークトポロジー的特性（例：平均次数、密度）が一方の戦略を他方よりも優れたものにするかを特定し、アルゴリズム選択に関する洞察を提供すること。

提案手法

• コアノードに優先順位を適用することで、既存のコミュニティを保持する防御的ラベル伝播を導入する。
• 境界ノードに優先順位を適用することで、コミュニティを外側に拡張する攻撃的ラベル伝播を導入する。
• 両方の戦略を統合し、動的にコア保持と境界拡張のバランスをとったK-Coresアルゴリズムを構築する。
• コミュニティネットワーク（DPA+）におけるラベル伝播の再帰的適用、およびコアに基づくコミュニティ抽出（DPA*）を実装することで、スケーラビリティを向上させる。
• ラベルホップの減衰を適用して、大規模コミュニティの支配を抑制し、安定性と収束性を向上させる。
• パフォーマンス指標としてモジュラリティ最大化を用い、ベンチマークおよび実世界ネットワークを対象に実験的評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 異なるネットワークタイプにおいて、防御的および攻撃的ラベル伝播戦略は、モジュラリティと安定性の観点でどのように比較されるか？
• RQ2 防御的および攻撃的戦略を1つのアルゴリズム（K-Cores）に統合することで、個別の戦略およびベースラインラベル伝播を上回る性能が得られるか？
• RQ3 どのようなネットワークトポロジー的特性（例：平均次数、密度）が、防御的戦略か攻撃的戦略のどちらがより効果的であるかを決定するか？
• RQ4 階層的コミュニティ抽出手法（DPA+、DPA*）は、大規模ネットワークにおけるスケーラビリティとモジュラリティをどのように向上させるか？
• RQ5 K-Coresアルゴリズムは、実世界ネットワークにおいて、標準ラベル伝播よりも高いモジュラリティとより速い収束を達成できるか？

主な発見

• K-Coresアルゴリズムは、テストされたすべての実世界ネットワークで最高のモジュラリティを達成し、webbaseネットワーク（1450万ノード、10100万エッジ）では最大0.954のモジュラリティを記録した。
• webbaseネットワークでは、DPA*がたった39回の反復で0.954のモジュラリティを達成し、LPA（0.894）およびDPA（0.923）を上回った。
• liveネットワーク（480万ノード、6900万エッジ）では、K-Coresが100回の反復で0.673のモジュラリティを達成したが、DPA*は125回の反復で0.688のモジュラリティを達成した。
• movieネットワーク（40万ノード、1500万エッジ）では、DPA*が0.606のモジュラリティを達成し、LPA（0.524）およびDPA（0.533）を著しく上回った。
• 密度の高いネットワーク（例：nber、live）では防御的戦略が攻撃的戦略を上回ったが、密度の低いネットワーク（例：codmat、amazon）では攻撃的戦略が優れた結果を示した。
• 階層的アルゴリズム（DPA+およびDPA*）は、大規模ネットワーク（例：webbase：43および39回の反復）における反復回数を削減し、スケーラビリティの向上を示した。