[논문 리뷰] Clustering assortativity, communities and functional modules in real-world networks

Lovro Šubelj, Marko Bajec|arXiv (Cornell University)|2012. 02. 15.

Complex Network Analysis Techniques참고 문헌 1인용 수 10

한 줄 요약

이 논문은 전통적인 커뮤니티를 초월해 실제 네트워크에서 기능적 모듈—유사한 구조적 역할을 하는 노드 그룹—을 핵심 조직 원리로 제안한다. 새로운 레이블 전파 알고리즘(HP)을 사용하여, 기능적 모듈이 비사회적 네트워크에서 군집성, 조화성, 구조적 패턴을 설명함으로써 최신 기술의 커뮤니티 탐지 기법을 능가함을 보여준다. 이는 임베딩된 기능적 구조를 가진 시뮬레이션 및 실제 네트워크에서 검증된다.

ABSTRACT

Complex networks of real-world systems are believed to be controlled by common phenomena, producing structures far from regular or random. Clustering, community structure and assortative mixing by degree are perhaps among most prominent examples of the latter. Although generally accepted for social networks, these properties only partially explain the structure of other networks. We first show that degree-corrected clustering is in contrast to standard definition highly assortative. Yet interesting on its own, we further note that non-social networks contain connected regions with very low clustering. Hence, the structure of real-world networks is beyond communities. We here investigate the concept of functional modules---groups of regularly equivalent nodes---and show that such structures could explain for the properties observed in non-social networks. Real-world networks might be composed of functional modules that are overlaid by communities. We support the latter by proposing a simple network model that generates scale-free small-world networks with tunable clustering and degree mixing. Model has a natural interpretation in many real-world networks, while it also gives insights into an adequate community extraction framework. We also present an algorithm for detection of arbitrary structural modules without any prior knowledge. Algorithm is shown to be superior to state-of-the-art, while application to real-world networks reveals well supported composites of different structural modules that are consistent with the underlying systems. Clear functional modules are identified in all types of networks including social. Our findings thus expose functional modules as another key ingredient of complex real-world networks.

연구 동기 및 목표

• 기능적 모듈—정규 등가성으로 정의된 것—이 비사회적 실제 네트워크의 구조적 성질을 설명할 수 있는가를 조사하는 것.
• 생물학적 및 기술적 네트워크에서 낮은 군집성 영역과 차수 비조화성 구조를 포착하지 못하는 커뮤니티 탐지 기법의 한계를 해결하는 것.
• 모듈 수나 구조에 대한 사전 지식 없이도 구조적 모듈을 탐지할 수 있는 방법을 개발하는 것.
• 조절 가능한 군집성과 차수 혼합성을 가진 스케일프리, 스몰월드 네트워크를 생성할 수 있는 네트워크 모델을 제안하는 것.
• 기능적 모듈이 커뮤니티와 공존하며 복잡한 네트워크 아키텍처를 이해하는 데 필수적인 역할을 하는지 확인하는 것.

제안 방법

• 모듈 수에 대한 사전 지식이 필요 없이, 공유 이웃과 구조적 유사성에 기반해 레이블을 전파함으로써 구조적 모듈을 탐지하는 레이블 전파 알고리즘(HP)을 제안한다.
• 군집성과 차수 혼합을 제어할 수 있는 모듈 요인(νg)을 가진 네트워크 모델을 도입하여, 임베딩된 커뮤니티와 기능적 모듈을 가진 현실적인 스케일프리, 스몰월드 네트워크 생성을 가능하게 한다.
• 대조 방법으로 대칭 비음수 행렬 분해(NF), k-평균(KM), 혼합 모델(MM, CM), 구조적 압축(IMD), 모델 기반 전파(MP)를 사용한다.
• 네트워크 구조를 제어하기 위해 혼합 파라미터 μ ∈ [0,1]을 사용한다: μ=0은 완전한 모듈성, μ=1은 무작위 구조를 의미한다.
• 식별된 커뮤니티와 기능적 모듈(이분/삼분 구조)이 내장된 시뮬레이션 네트워크(GN, GN2, HN6, HN7, LFR)와 실제 네트워크(소프트웨어, 블로그, 식량망)에 HP 알고리즘을 적용한다.
• 정규화 상호정보량(NMI)과 조정된 랜드 지수(ARI)를 사용하여 HP를 최신 기술의 알고리즘(LUV, IMP, NF, KM, MM, CM, IMD, MP)과 평가 비교한다.

실험 결과

연구 질문

• RQ1 정규 등가성으로 정의된 기능적 모듈은 비사회적 네트워크에서 군집성과 차수 조화성과 같은 구조적 성질을 설명할 수 있는가?
• RQ2 伝통적인 커뮤니티 탐지 기법은 생물학적 및 기술적 네트워크에서 낮은 군집성 영역과 비조화성 구조를 포착하지 못하는가?
• RQ3 모듈 수나 구조에 대한 사전 지식 없이도 구조적 모듈을 탐지할 수 있는 일반적 프레임워크가 존재하는가?
• RQ4 간단한 네트워크 모델이 조절 가능한 군집성과 차수 혼합성을 가진 현실적인 네트워크를 생성할 수 있는가? 이는 실제 시스템을 반영하는가?
• RQ5 기능적 모듈은 커뮤니티와 어떻게 공존하며, 네트워크 아키텍처 형성에 어떤 역할을 하는가?

주요 결과

• 정규 등가성으로 정의된 기능적 모듈은 비사회적 시스템에서 커뮤니티가 낮은 군집성 영역을 설명하지 못할 때 핵심적인 구조적 구성 요소로 작용한다.
• 이중/삼중 구조가 내장된 시뮬레이션 네트워크에서 HP 알고리즘이 최신 기술의 커뮤니티 탐지 기법(LUV, IMP)을 능가하여 커뮤니티와 기능적 모듈을 모두 정확하게 탐지한다.
• 시뮬레이션 네트워크(GN2, HN6, HN7)에서 오직 HP와 저μ 값에서 성능이 우수한 MP만 식별된 기능적 모듈을 정확히 탐지하며, 나머지 알고리즘은 이를 커뮤니티와 혼동한다.
• 모든 테스트한 실제 네트워크(사회적 네트워크 포함)에서 HP 알고리즘이 명확한 기능적 모듈을 탐지하여, 기반이 되는 시스템 기능과 일치하는 구조적 복합체를 드러낸다.
• 조절 가능한 모듈 요인 νg를 가진 네트워크 모델은 현실적인 군집성과 차수 혼합성을 가진 스케일프리, 스몰월드 네트워크를 성공적으로 생성하여 제안된 프레임워크의 타당성을 뒷받침한다.
• 단순한 k-평균 클러스터링(KM)이 동일한 벤치마크에서 많은 고급 알고리즘보다 우수한 성능을 보이며, 이는 이웃의 구조적 유사성이 모듈 탐지에 강력한 신호임을 시사한다.