[논문 리뷰] A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning

Di Jin, Zhizhi Yu외 6명|arXiv (Cornell University)|2021. 01. 03.

Complex Network Analysis Techniques참고 문헌 160인용 수 53

한 줄 요약

본 고찰은 커뮤니티 탐지 방법에 대한 통합적 관점을 제시하고 이를 probabilistic graphical models와 deep learning으로 나누며 벤치마크 데이터셋과 향후 방향을 제공합니다. 이 연구는 이론적 분석, 분류학, 학습 기반 접근법을 위한 실용적 자원을 강조합니다.

ABSTRACT

Community detection, a fundamental task for network analysis, aims to partition a network into multiple sub-structures to help reveal their latent functions. Community detection has been extensively studied in and broadly applied to many real-world network problems. Classical approaches to community detection typically utilize probabilistic graphical models and adopt a variety of prior knowledge to infer community structures. As the problems that network methods try to solve and the network data to be analyzed become increasingly more sophisticated, new approaches have also been proposed and developed, particularly those that utilize deep learning and convert networked data into low dimensional representation. Despite all the recent advancement, there is still a lack of insightful understanding of the theoretical and methodological underpinning of community detection, which will be critically important for future development of the area of network analysis. In this paper, we develop and present a unified architecture of network community-finding methods to characterize the state-of-the-art of the field of community detection. Specifically, we provide a comprehensive review of the existing community detection methods and introduce a new taxonomy that divides the existing methods into two categories, namely probabilistic graphical model and deep learning. We then discuss in detail the main idea behind each method in the two categories. Furthermore, to promote future development of community detection, we release several benchmark datasets from several problem domains and highlight their applications to various network analysis tasks. We conclude with discussions of the challenges of the field and suggestions of possible directions for future research.

연구 동기 및 목표

• 학습 기반 커뮤니티 탐지 방법에 대한 통합적 개요를 제공한다.
• 두 가지 범주 분류법: probabilistic graphical models와 deep learning-based 접근법을 도입한다.
• 방법들 간의 이론적 연관성, 도전과제 및 차이를 분석한다.
• 커뮤니티 탐지 분야의 향후 연구를 촉진하기 위해 벤치마크 데이터셋을 공개한다.
• 실세계 응용과 향후 연구 방향에 대해 논의한다.

제안 방법

• 기존 방법을 두 가지 주요 범주로 분류한다: probabilistic graphical models와 deep learning.
• probabilistic models의 하위 범주(유향, 무향, 하이브리드)와 deep learning의 하위 범주(auto-encoder, GAN, GCN, 그래픽 모델과의 하이브리드)를 상세히 설명한다.
• 대표 모델 및 학습 패러다임을 설명한다(예: stochastic block model, MMSB, topic models, matrix factorization, 및 graph neural networks).
• 학습 기반 커뮤니티 탐지 방법의 통일된 아키텍처적 관점을 제공한다.
• 벤치마크 데이터셋을 공개하고 다른 연구를 촉진하기 위한 응용을 논의한다.

실험 결과

연구 질문

• RQ1 커뮤니티 탐지의 주요 학습 기반 패러다임은 무엇이며 모델링 가정에서 어떻게 차이가 있는가?
• RQ2 probabilistic graphical models와 deep learning 접근법을 어떻게 하나의 통합 분류법으로 구성할 수 있는가?
• RQ3 학습 기반 커뮤니티 탐지의 이론적 통찰과 실용적 과제는 무엇을 특징으로 하는가?
• RQ4 분야의 향후 연구를 진전시키는 벤치마크 자원과 응용은 무엇인가?

주요 결과

• 본 논문은 probabilistic graphical models와 deep learning으로 구성된 학습 기반 커뮤니티 탐지에 대한 최초의 포괄적 개요를 제시한다.
• 방법 간의 유사성, 차이점 및 도전 과제를 분석하고 향후 연구를 위한 다섯 가지 방향을 제안한다.
• 통계 모델링과 deep learning 접근법을 연결하는 통합 시스템 아키텍처가 제시된다.
• 벤치마크 데이터셋과 도메인 간 응용이 공개되어 향후 연구를 지원한다.
• 본 고찰은 SBMs의 동적, 중복적, 링크-커뮤니티 확장 및 관련 방법들을 다룬다.
• 딥 러닝 (GCN, auto-encoders, GANs)이 고차원 네트워크 데이터를 다루는 데 있어 기존의 확률적 모델링을 보완하는 방식을 강조한다.