[논문 리뷰] A Real-Time Detecting Algorithm for Tracking Community Structure of Dynamic Networks

Jiaxing Shang, Lianchen Liu외 5명|arXiv (Cornell University)|2014. 07. 10.

Complex Network Analysis Techniques참고 문헌 27인용 수 41

한 줄 요약

이 논문은 계산 복잡도가 낮은 실시간, 증분적 알고리즘을 제안하여 동적 네트워크에서 커뮤니티 구조를 추적한다. Blondel 등이 제안한 커뮤니티 탐지 방법을 초기화로 사용하고 효율적인 업데이트 규칙를 적용함으로써, 알고리즘은 시간이 지남에 따라 높은 모듈러리티를 유지하며, Enron 이메일 및 다른 세 개의 실세계 데이터셋에서 CNM 알고리즘을 능가한다.

ABSTRACT

In this paper a simple but efficient real-time detecting algorithm is proposed for tracking community structure of dynamic networks. Community structure is intuitively characterized as divisions of network nodes into subgroups, within which nodes are densely connected while between which they are sparsely connected. To evaluate the quality of community structure of a network, a metric called modularity is proposed and many algorithms are developed on optimizing it. However, most of the modularity based algorithms deal with static networks and cannot be performed frequently, due to their high computing complexity. In order to track the community structure of dynamic networks in a fine-grained way, we propose a modularity based algorithm that is incremental and has very low computing complexity. In our algorithm we adopt a two-step approach. Firstly we apply the algorithm of Blondel et al for detecting static communities to obtain an initial community structure. Then, apply our incremental updating strategies to track the dynamic communities. The performance of our algorithm is measured in terms of the modularity. We test the algorithm on tracking community structure of Enron Email and three other real world datasets. The experimental results show that our algorithm can keep track of community structure in time and outperform the well known CNM algorithm in terms of modularity.

연구 동기 및 목표

• 동적 네트워크에서 커뮤니티 구조를 효율적으로 추적하는 데 도전하는 것.
• 기존 정적 네트워크를 대상으로 한 모듈러리티 기반 알고리즘에 비해 계산 복잡도를 줄이는 것.
• 네트워크가 변화함에 따라 커뮤니티 구조를 세밀하게 실시간으로 업데이트할 수 있도록 하는 것.
• 전체 재계산 없이도 증분 업데이트 동안 높은 모듈러리티를 유지하는 것.

제안 방법

• 정적 네트워크를 대상으로 한 빠른 탐욕 알고리즘을 사용하여 초기 커뮤니티 구조를 탐지한다 (Blondel 등의 연구).
• 새로운 간선이나 노드가 추가됨에 따라 커뮤니티를 적응적으로 업데이트하기 위해 증분 업데이트 전략을 적용한다.
• 영향을 받는 노드와 커뮤니티에만 집중함으로써 전체 재계산을 피한다.
• 전반적인 구조를 유지하기 위해 국소 모듈러리티 최적화를 기반으로 커뮤니티 업데이트를 이끈다.
• 실시간 구현에 적합한 계산적으로 경량화된 알고리즘으로 설계되어 있다.
• 모듈러리티를 커뮤니티 업데이트 평가 및 이끌기 위한 주요 지표로 사용한다.

실험 결과

연구 질문

• RQ1 낮은 복잡도 알고리즘이 동적 네트워크에서 변화하는 커뮤니티 구조를 추적하면서도 고도의 모듈러리티를 유지할 수 있는가?
• RQ2 전체 재계산에 비해 증분 업데이트 전략은 모듈러리티와 효율성 측면에서 어떻게 비교되는가?
• RQ3 이 알고리즘은 실세계 동적 네트워크에서 실시간으로 커뮤니티 변화를 효과적으로 추적할 수 있는가?
• RQ4 제안된 방법은 모듈러리티와 계산 비용 측면에서 기존 알고리즘(CNM 등)을 능가하는가?

주요 결과

• 제안된 알고리즘은 Enron 이메일 데이터셋에서 CNM 알고리즘보다 더 높은 모듈러리티를 달성한다.
• 모든 테스트된 동적 네트워크 데이터셋에서 최소한의 계산 오버헤드로 높은 모듈러리티를 유지한다.
• 증분 업데이트 메커니즘이 네트워크를 전체적으로 재처리하지 않고도 실시간 추적을 가능하게 한다.
• 효율적인 확장성을 보이며, 대규모 동적 네트워크에 적합하다.
• 실험 결과는 알고리즘이 세밀한 시간 해상도로 커뮤니티 변화를 추적할 수 있음을 확인한다.