[논문 리뷰] Community Detection in Networks using Graph Distance

Sharmodeep Bhattacharyya, Peter J. Bickel|arXiv (Cornell University)|2014. 01. 16.

Complex Network Analysis Techniques참고 문헌 49인용 수 23

한 줄 요약

이 논문은 네트워크 구조에서 정점 간의 근접성을 활용하여 커뮤니티를 식별하는 그래프 거리 기반 커뮤니티 탐지 알고리즘을 제안한다. 고정 또는 증가하는 블록 수를 가진 스토하스틱 블록 모델과 도시 조정된 모델 하에서 정확한 커뮤니티 복원에 대한 이론적 보장을 제공하며, 네트워크 크기가 증가함에 따라 잘못 레이블링된 노드의 비율이 0으로 수렴함을 보여준다.

ABSTRACT

The study of networks has received increased attention recently not only from the social sciences and statistics but also from physicists, computer scientists and mathematicians. One of the principal problem in networks is community detection. Many algorithms have been proposed for community finding but most of them do not have have theoretical guarantee for sparse networks and networks close to the phase transition boundary proposed by physicists. There are some exceptions but all have some incomplete theoretical basis. Here we propose an algorithm based on the graph distance of vertices in the network. We give theoretical guarantees that our method works in identifying communities for block models and can be extended for degree-corrected block models and block models with the number of communities growing with number of vertices. Despite favorable simulation results, we are not yet able to conclude that our method is satisfactory for worst possible case. We illustrate on a network of political blogs, Facebook networks and some other networks.

연구 동기 및 목표

• 희박한 네트워크 및 단계 전이 경계 근처에서 커뮤니티 탐지에 대한 이론적 보장의 부족을 해결한다.
• 다양한 네트워크 밀도에 적용 가능한 일반 목적의 커뮤니티 탐지 방법을 개발한다.
• 스토하스틱 블록 모델(SBM), 도시 조정된 SBM, 증가하는 블록 수 모델 하에서 커뮤니티 복원에 대한 이론적 근거를 제공한다.
• 정치 블로그 및 페이스북 대학 네트워크를 포함한 실제 네트워크에서의 경험적 성능을 시현한다.
• 이론적 가정에 따라 고려된 고유벡터 조건(C1)이 위반되었을 경우의 방법의 강건성에 대해 조사한다.

제안 방법

• 정점 간의 그래프 거리를 인접행렬의 구조에서 유도된 길이 2의 경로의 기대 수로 정의한다.
• 그래프 거리 행렬을 사용하여 노드 간의 유사도를 측정하고, 이를 클러스터링의 기초로 삼는다.
• 그래프 거리 행렬에 스펙트럴 클러스터링을 적용하여 커뮤니티 구조를 복원한다.
• 이론적 분석은 커널 행렬 $\tilde{K}$ 의 고유구조에 기반하며, 조건 (C1)은 $\mathbf{1}$ 이 $\tilde{K}$ 의 고유벡터가 아니라는 것이다.
• 고정된 $Q$ 를 가진 SBM 하에서, $P$ 와 $\boldsymbol{\pi}$ 에 대한 온건한 조건 하에 $n \to \infty$ 일 때 잘못 레이블링된 노드의 확률이 0으로 수렴함을 증명한다.
• 이론적 프레임워크를 도시 조정된 블록 모델과 $n \to \infty$ 일 때 $Q \to \infty$ 가 되는 모델로 확장하며, 유사한 보장을 유지할 것이라 추측한다.

실험 결과

연구 질문

• RQ1 그래프 거리 기반 방법이 단계 전이 임계점 근처의 희박한 네트워크에서 커뮤니티 탐지에 대해 이론적 일致성을 달성할 수 있는가?
• RQ2 모의 및 실제 네트워크에서 그래프 거리 방법의 성능이 의사우도 방법과 비교하여 어떻게 되는가?
• RQ3 이론적 증명에서 요구되는 조건(C1)이 위반되었을 경우, 방법은 여전히 효과적인가?
• RQ4 이 방법은 증가하는 커뮤니티 수 또는 도시 이질성을 가진 모델로 확장될 수 있는가?
• RQ5 정치 블로그 및 페이스북 대학 네트워크와 같은 실제 네트워크에서 이 방법은 진정한 커뮤니티를 어느 정도 복원할 수 있는가?

주요 결과

• 그래프 거리 기반 방법은 이론적 일치성을 달성한다: 고정된 $Q$ 를 가진 스토하스틱 블록 모델 하에서 $n \to \infty$ 일 때 잘못 레이블링된 노드의 비율이 0으로 수렴한다.
• 모의 실험에서 이 방법은 의사우도 방법과 유사한 경험적 정확도를 보이며, 다양한 네트워크 밀도에서 유사한 성능을 보인다.
• 페이스북 캘테크 네트워크에 대한 경험적 결과는 그래프 거리 기반 커뮤니티가 실제 기숙사 소속과 강하게 일치함을 보여준다.
• 정치 블로그 네트워크(1222개 노드, 평균 차수 27)에서 이 방법은 자유주의/보수주의 커뮤니티 구조를 성공적으로 복원하였다.
• 모의 실험 결과는 $\mathbf{1}$ 이 $\tilde{K}$ 의 고유벡터일 경우에도 방법이 여전히 효과적임을 시사하며, 이는 조건 (C1)이 과도하게 엄격할 수 있음을 시사한다.
• 이론적 보장은 도시 조정된 블록 모델과 $Q \to \infty$ 가 되는 모델로 확장되었으며, 유사한 증명 기법을 기반으로 유사한 일관성이 유지될 것이라 추측된다.