[논문 리뷰] An inferential procedure for community structure validation in networks.

Luisa Cutillo, Mirko Signorelli|arXiv (Cornell University)|2017. 10. 18.

Complex Network Analysis Techniques참고 문헌 15인용 수 3

한 줄 요약

이 논문은 네트워크 내 커뮤니티 구조를 검증하기 위한 추론 절차를 제안하며, 네트워크 풍부도 분석 개념을 적응시켜 적용한다. 이 방법은 서로 다른 노드 분할 간 비교, 네트워크 간 구조적 유사성 평가, 클러스터링 알고리즘 평가를 가능하게 하여, 의미 있는 커뮤니티 구조를 가장 잘 대표하는 분할을 결정하는 통계적으로 타당한 방법을 제공한다.

ABSTRACT

`Community structure' is a commonly observed feature of real networks. The term refers to the presence in a network of groups of nodes (communities) that feature high internal connectivity and are poorly connected to each other. Whereas the issue of community detection has been addressed in several works, the problem of validating a partition of nodes as a good community structure for a network has received little attention and remains an open issue. We propose an inferential procedure for community structure validation of network partitions, which relies on concepts from network enrichment analysis. The proposed procedure allows to compare the adequacy of different partitions of nodes as community structures. Moreover, it can be employed to assess whether two networks share the same community structure, and to compare the performance of different network clustering algorithms.

연구 동기 및 목표

• 네트워크 내 커뮤니티 구조 분할에 대한 공식적인 검증 방법의 부족을 해결하기 위해.
• 주어진 노드 분할이 의미 있는 커뮤니티 구조를 반영하고 있는지 평가할 수 있는 통계적 프레임워크를 제공하기 위해.
• 동일한 네트워크 내 여러 커뮤니티 분할의 적합성에 대해 비교할 수 있도록 하기 위해.
• 두 네트워크가 동일한 기초 커뮤니티 구조를 공유하고 있는지 평가하기 위해.
• 일致한 검증 기준을 사용하여 다양한 네트워크 클러스터링 알고리즘의 성능을 평가하고 순위를 매기기 위해.

제안 방법

• 이 방법은 네트워크 내 노드 그룹화의 통계적 유의성을 평가하기 위해 네트워크 풍부도 분석의 개념을 활용한다.
• 주어진 노드 분할이 우연히 기대되는 것보다 더 높은 내부 연결성을 보이는지 평가하기 위한 가설 검정을 수립한다.
• 널 모델은 네트워크의 차수 분포를 유지하면서 연결을 무작위로 재배치하여 기초 기대치를 생성한다.
• 널 모델 하에서 기대 분포에 비해 관측된 내부 커뮤니티 간선 수를 바탕으로 각 분할에 대한 p-값을 계산한다.
• 추론 프레임워크를 통해 통계적 유의성에 따라 순위를 매김으로써 여러 분할 간 직접 비교가 가능하다.
• 공유된 분할 품질 지표를 사용하여 구조적 유사성을 테스트함으로써, 이 방법을 두 네트워크 간의 커뮤니티 구조 비교로 확장한다.

실험 결과

연구 질문

• RQ1 어떻게 통계적으로 주어진 노드 분할이 네트워크 내 의미 있는 커뮤니티 구조를 구성하는지 검증할 수 있는가?
• RQ2 동일한 네트워크 내 다양한 커뮤니티 분할의 품질을 비교하는 데 사용할 수 있는 기준은 무엇인가?
• RQ3 두 네트워크가 얼마나 깊이 동일한 커뮤니티 구조를 공유하고 있는가?
• RQ4 어떻게 객관적으로 다양한 네트워크 클러스터링 알고리즘의 성능을 평가하고 순위를 매길 수 있는가?

주요 결과

• 제안된 추론 절차는 네트워크 내 커뮤니티 구조 분할을 통계적으로 타당하게 검증할 수 있는 방법을 제공한다.
• 이 방법은 여러 노드 분할 간 신뢰할 수 있는 비교를 가능하게 하여, 가장 잘 일관된 커뮤니티 구조를 반영하는 분할을 식별할 수 있다.
• 이 접근법은 네트워크 간의 구조적 유사성을 성공적으로 탐지하여, 커뮤니티 조직의 교차 네트워크 검증을 가능하게 한다.
• 통계적 유의성에 따라 클러스터링 알고리즘의 출력물을 순위 매김함으로써, 이 방법은 알고리즘 평가에 원칙적인 방식을 제공한다.
• 명확히 정의된 널 모델에 기반함으로써, 네트워크 크기와 차수 분포의 변동성에 대해 강건한 프레임워크를 제공한다.
• 이 절차는 커뮤니티 구조에 대한 가설 검정을 지원하여, 네트워크 분석의 해석 가능성과 재현 가능성을 향상시킨다.