[논문 리뷰] An edge density definition of overlapping and weighted graph communities

Richard K. Darst David R. Reichman Peter Ronhovde, Zohar Nussinov|arXiv (Cornell University)|2013. 01. 14.

Complex Network Analysis Techniques인용 수 8

한 줄 요약

이 논문은 엣지 밀도 기반의 겹치는 및 가중치가 부여된 그래프 커뮤니티 정의를 제안하며, 이는 절대 푸아스 모델과 동치임을 보이고, 다중그래프, 겹치는 커뮤니티, 국소 알고리즘을 처리할 수 있음을 보여준다. 이 방법은 소속 그래프 모델 및 절대 푸아스 모델과 같은 벤치마크와 비교되어, 분解 한계가 내재된 모듈라리티에 기인한 문제를 피하는 강력하고 분석적으로 타당한 커뮤니티 탐지 프레임워크를 제공한다.

ABSTRACT

Community detection in networks refers to the process of seeking strongly internally connected groups of nodes which are weakly externally connected. In this work, we introduce and study a community definition based on internal edge density. Beginning with the simple concept that edge density equals number of edges divided by maximal number of edges, we apply this definition to a variety of node and community arrangements to show that our definition yields sensible results. Our community definition is equivalent to that of the Absolute Potts Model community detection method (Phys. Rev. E 81, 046114 (2010)), and the performance of that method validates the usefulness of our definition across a wide variety of network types. We discuss how this definition can be extended to weighted, and multigraphs, and how the definition is capable of handling overlapping communities and local algorithms. We further validate our definition against the recently proposed Affiliation Graph Model (arXiv:1205.6228 [cs.SI]) and show that we can precisely solve these benchmarks. More than proposing an end-all community definition, we explain how studying the detailed properties of community definitions is important in order to validate that definitions do not have negative analytic properties. We urge that community definitions be separated from community detection algorithms and propose that community definitions be further evaluated by criteria such as these.

연구 동기 및 목표

• 겹치는 및 가중치가 부여된 네트워크에 적용 가능한 수학적으로 엄밀한 엣지 밀도 기반의 그래프 커뮤니티 정의를 개발하는 것.
• 이 정의가 모듈라리티 기반 방법에서 흔히 발생하는 분해 한계 문제를 피할 수 있음을 보여주는 것.
• 소속 그래프 모델 및 절대 푸아스 모델과 같은 기존의 기준 모델과 비교하여 이 정의를 검증하는 것.
• 커뮤니티 정의를 탐지 알고리즘에서 분리하고, 일관성 및 분석적 타당성과 같은 기준을 사용한 정의의 공식적 평가를 주장하는 것.
• 겹치는 및 국소 커뮤니티에 특화된 F-스코어 메트릭을 사용한 커뮤니티 탐지 방법 평가 프레임워크를 제공하는 것.

제안 방법

• 노드 부분집합 내 실제 엣지 수와 가능한 최대 엣지 수의 비율로 커뮤니티 밀도를 정의하여 커뮤니티 정의의 핵심을 형성한다.
• 다양한 네트워크 구성에 이 정의를 적용하여 다양한 그래프 유형에서 직관적이고 일관된 결과를 도출함을 보여준다.
• 엣지 밀도 정의와 절대 푸아스 모델 간의 동치성을 확립하여 이 정의의 이론적 기반을 검증한다.
• 엣지 가중치를 고려하여 엣지 밀도를 일반화함으로써 가중치가 부여된 그래프에 이 정의를 확장한다.
• 밀도 계산에서 노드 쌍 간에 다중 엣지를 允허함으로써 다중그래프에 이 정의를 적응시킨다.
• 특히 겹치는 및 국소 커뮤니티 탐지에 유용한 F1-스코어 기반 평가 메트릭 $F_1^P$ 을 도입하여 커뮤니티 분할을 비교한다.

실험 결과

연구 질문

• RQ1 내부 엣지 밀도 기반의 커뮤니티 정의가 겹치는 및 가중치가 부여된 그래프를 포함한 다양한 네트워크 유형에서 일관되고 직관적인 결과를 도출할 수 있는가?
• RQ2 이 엣지 밀도 정의는 모듈라리티 기반 방법에서 흔히 발생하는 분해 한계 문제를 피할 수 있는가?
• RQ3 제안된 정의는 소속 그래프 모델 및 절대 푸아스 모델과 같은 기존 모델과 비교해 어떻게 다른가?
• RQ4 F1-스코어 메트릭 $F_1^P$ 이 겹치는 및 국소 커뮤니티 시나리오에서 커뮤니티 탐지 성능을 얼마나 효과적으로 평가할 수 있는가?
• RQ5 커뮤니티 정의를 탐지 알고리즘에서 분리하면 커뮤니티 탐지 방법의 평가가 더 엄밀하고 분석적으로 타당해질 수 있는가?

주요 결과

• 엣지 밀도 기반 커뮤니티 정의는 절대 푸아스 모델과 수학적으로 동치이며, 다양한 네트워크 유형에서 일관성과 강건성을 검증한다.
• 이 방법은 겹치는 커뮤니티와 가중치가 부여된 그래프를 성공적으로 처리하여, 비겹치는, 비가중치가 부여된 네트워크를 넘어서 커뮤니티 탐지의 적용 범위를 확장한다.
• 이 정의는 분해 한계 문제를 피한다. 모듈라리티가 전역 네트워크 크기에 암묵적인 의존성을 가지는 데 반해, 이 정의는 그러한 의존성이 없기 때문이다.
• 제안된 $F_1^P$ 메트릭은 커뮤니티 탐지 성능 평가에 효과적으로 기여하며, $F_1^{IR}$ 과 $F_1^0$ 이 정규화 상호정보량 및 정보량 분산과 같은 표준 파artition 비교 측정법과 강한 상관관계를 보인다.
• 이 프레임워크는 국소 커뮤니티 탐지가 가능하며, 겹치는 및 비겹치는 커뮤니티 구조에 맞게 정밀도, 재현율, F1 스코어를 조정한 평가 방법을 원칙적으로 제공한다.
• 소속 그래프 모델에 대한 검증 결과, 이 방법은 벤치마크 케이스를 정확하게 해결함으로써 정확성과 신뢰성을 확인한다.