[논문 리뷰] Analysis of spectral clustering algorithms for community detection: the general bipartite setting

Zhixin Zhou, Arash Amini|arXiv (Cornell University)|2018. 03. 12.

Complex Network Analysis Techniques인용 수 68

한 줄 요약

이 논문은 일반 이분 스톨츠-블록 모델에서 커뮤니티 탐지를 위한 스펙트럴 클러스터링을 분석하고, 데이터 기반 정규화, 새로운 잘라내기 변형, 그리고 더 넓은 그래프 모델로의 확장을 제시하며 일관성 보장을 제공합니다.

ABSTRACT

We consider spectral clustering algorithms for community detection under a general bipartite stochastic block model (SBM). A modern spectral clustering algorithm consists of three steps: (1) regularization of an appropriate adjacency or Laplacian matrix (2) a form of spectral truncation and (3) a k-means type algorithm in the reduced spectral domain. We focus on the adjacency-based spectral clustering and for the first step, propose a new data-driven regularization that can restore the concentration of the adjacency matrix even for the sparse networks. This result is based on recent work on regularization of random binary matrices, but avoids using unknown population level parameters, and instead estimates the necessary quantities from the data. We also propose and study a novel variation of the spectral truncation step and show how this variation changes the nature of the misclassification rate in a general SBM. We then show how the consistency results can be extended to models beyond SBMs, such as inhomogeneous random graph models with approximate clusters, including a graphon clustering problem, as well as general sub-Gaussian biclustering. A theme of the paper is providing a better understanding of the analysis of spectral methods for community detection and establishing consistency results, under fairly general clustering models and for a wide regime of degree growths, including sparse cases where the average expected degree grows arbitrarily slowly.

연구 동기 및 목표

• 일반 이분 SBM 설정에서 스펙트럴 클러스터링의 통합 분석을 제공한다.
• 희소 네트워크에서 인접 행렬의 농도를 보장하는 데이터 기반 정규화를 도입한다.
• 스펙트럴 잘라내기의 변형과 그것이 오분류율에 미치는 영향을 연구한다.
• 일관성 결과를 비균일 무작위 그래프 및 그래프온/바이클러스터링 맥락으로 확장한다.

제안 방법

• _UNKNOWN_PLACEHOLDER_

실험 결과

연구 질문

• RQ1 일반 이분 SBM에서 인접 기반 스펙트럴 클러스터링을 일관성 있게 만들 수 있는가, 희소 영역을 포함하여?
• RQ2 모집단 매개변수에 접근 없이 인접 행렬의 농도를 보장하는 데이터 기반 정규화는 무엇인가?
• RQ3 다양한 스펙트럴 잘라내기 전략이 오분류율과 일관성에 어떤 영향을 미치는가?
• RQ4 일관성 결과를 SBM 바깥의 비균일 무작위 그래프 및 그래프온 바클러스터링으로 확장할 수 있는가?
• RQ5 전체 스펙트럴 클러스터링의 일관성을 보장하기 위한 k-means 단계의 최소 조건은 무엇인가?

주요 결과

• 데이터 기반 정규화는 일반 SBM에서 오로지 방법(oracle)과 동일한 농도 한계를 달성한다(본문의 Theorem 2/3 참조).
• 세 가지 스펙트럴 잘라내기 변형은 서로 다른 일관성 특성을 보이며, 잡음 제거 지향 변형(알고리즘 3)과 하이브리드(알고리즘 4)는 특정 조건에서 기존의 잘라내기 대비 성능을 일치시키거나 상회할 수 있다.
• SC-RR 및 SC-RRE 변형에 대한 일관성 결과가 확립되어 등가성 무시성이 있는 k-means 단계에서 성능 면에서 동등하며 대칭/이분 경우로 확장된다.
• 프레임워크는 대칭 확장과 DK류 주장을 통해 스펙트럴 농도와 섭동 간의 연결을 실제 오분류 한계를 제시하는 명확한 (Theorem 1 청사진)으로 보이며, 희소 및 일반 차수 증가 영역에 적용 가능하다.
• 비균일 무작위 그래프 및 그래프온 클러스터링으로의 일반화가 가능함을 보여주며, 스펙트럴 방법의 넓은 적용 가능성을 강조한다.