[논문 리뷰] Angular separability of data clusters or network communities in geometrical space and its relevance to hyperbolic embedding

Alessandro Muscoloni, Carlo Vittorio Cannistraci|arXiv (Cornell University)|2019. 06. 28.

Topological and Geometric Data Analysis인용 수 5

한 줄 요약

이 논문은 기하 공간, 특히 하이퍼볼릭 공간에서 네트워크 커뮤니티 또는 데이터 클러스터가 각도 좌표로 얼마나 잘 분리되어 있는지를 정량적으로 평가할 수 있는 지표인 '각도 분리 지수'(Angular Separation Index, ASI)를 소개한다. 통계적 유의성 검증을 위한 무작위 근본 모델을 사용함으로써, ASI는 2차원 하이퍼볼릭 네트워크 모델에서 온도를 높일수록 두 차원을 초월하는 '차원성의 점프'가 발생하고, 이는 네트워크의 내재된 차원성을 탐지할 수 있음을 드러낸다.

ABSTRACT

Analysis of 'big data' characterized by high-dimensionality such as word vectors and complex networks requires often their representation in a geometrical space by embedding. Recent developments in machine learning and network geometry have pointed out the hyperbolic space as a useful framework for the representation of this data derived by real complex physical systems. In the hyperbolic space, the radial coordinate of the nodes characterizes their hierarchy, whereas the angular distance between them represents their similarity. Several studies have highlighted the relationship between the angular coordinates of the nodes embedded in the hyperbolic space and the community metadata available. However, such analyses have been often limited to a visual or qualitative assessment. Here, we introduce the angular separation index (ASI), to quantitatively evaluate the separation of node network communities or data clusters over the angular coordinates of a geometrical space. ASI is particularly useful in the hyperbolic space - where it is extensively tested along this study - but can be used in general for any assessment of angular separation regardless of the adopted geometry. ASI is proposed together with an exact test statistic based on a uniformly random null model to assess the statistical significance of the separation. We show that ASI allows to discover two significant phenomena in network geometry. The first is that the increase of temperature in 2D hyperbolic network generative models, not only reduces the network clustering but also induces a 'dimensionality jump' of the network to dimensions higher than two. The second is that ASI can be successfully applied to detect the intrinsic dimensionality of network structures that grow in a hidden geometrical space.

연구 동기 및 목표

• 기하 공간에서 데이터 클러스터 또는 네트워크 커뮤니티의 각도 분리도를 정량적이고 통계적으로 기반한 측정법으로 평가하기 위한 목적으로.
• 이전 연구들이 하이퍼볼릭 임bedding에서 각도 유사도를 정성적 또는 시각적 평가에 의존한 한계를 해결하기 위한 목적으로.
• 네트워크 임bedding에서 각도 좌표와 커뮤니티 구조 간의 관계를 탐구하기 위한 목적으로.
• 숨겨진 기하 공간에서 성장하는 네트워크의 내재된 차원성을 탐지하기 위한 목적으로.
• 하이퍼볼릭 네트워크 생성 모델에서의 온도가 기하학적 및 위상적 성질에 미치는 영향을 평가하기 위한 목적으로.

제안 방법

• 기하 공간 내에서 클러스터 또는 커뮤니티 간의 각도 분리도를 정량화하기 위한 지표로 '각도 분리 지수'(Angular Separation Index, ASI)를 제안한다.
• 다른 커뮤니티에 속한 노드 간의 각도 거리에 기반하여 ASI를 정의하며, 이를 균일한 무작위 근본 모델 하에서의 기대값으로 정규화한다.
• 관측된 ASI 값의 유의성을 평가하기 위해 균일한 무작위 근본 모델 기반의 정확한 통계적 검정을 도입한다.
• 다양한 온도 매개변수를 가진 하이퍼볼릭 무작위 그래프 모델(예: 하이퍼볼릭 랜덤 기하 그래프)에 의해 생성된 시뮬레이션 네트워크에 ASI를 적용한다.
• 각도 분리 패턴을 분석함으로써 실제 및 시뮬레이션 네트워크의 효과적 차원성을 추론하기 위해 ASI를 활용한다.
• 특히 하이퍼볼릭 공간에 중점을 두고, 다양한 네트워크 유형과 임bedding 기하학에서 ASI의 성능을 검증한다.

실험 결과

연구 질문

• RQ1 하이퍼볼릭 공간에서의 각도 분리도는 어느 정도 정량적으로 측정되고 통계적으로 검증될 수 있는가?
• RQ2 2차원 하이퍼볼릭 네트워크 모델에서 온도를 높일 경우 기하 구조와 커뮤니티 군집화에 어떤 영향을 미치는가?
• RQ3 온도가 증가함에 따라 네트워크 구조에서 두 차원을 초월하는 '차원성의 점프'를 ASI가 탐지할 수 있는가?
• RQ4 숨겨진 기하 공간에 임bedded된 네트워크의 내재된 차원성을 ASI로 추론할 수 있는가?
• RQ5 하이퍼볼릭 임bedding에서의 각도 좌표는 알려진 커뮤니티 메타데이터와 얼마나 잘 상관되는가?

주요 결과

• 각도 분리 지수(ASI)는 시뮬레이션 및 실제 네트워크 모두에서 커뮤니티 간의 각도 분리도를 성공적으로 정량화하였다.
• 2차원 하이퍼볼릭 네트워크 모델에서 온도를 높일수록 네트워크의 구조가 두 차원을 초월하는 효과적인 고차원 구조로 전환되는 '차원성의 점프'가 발생한다.
• 균일한 근본 모델 기반의 통계적 유의성 검정은 관측된 각도 분리도가 우연의 결과가 아님을 확인하여 ASI의 신뢰성을 입증한다.
• ASI는 은폐된 기하 공간에서 성장하는 네트워크 구조의 내재된 차원성을 탐지하여, 일부 네트워크가 비정상적인 기하 조직을 보임을 드러낸다.
• 연구는 하이퍼볼릭 임bedding에서의 각도 좌표가 정성적으로 의미가 있을 뿐 아니라 커뮤니티 구조 분석에 정량적으로 유용한 정보를 제공함을 입증한다.
• 결과적으로 하이퍼볼릭 임bedding이 반경적 계층이 주요 신호가 아니더라도, 각도 분리에 의해 커뮤니티 구조를 유지할 수 있음을 보여준다.