[논문 리뷰] Community Detection via Katz and Eigenvector Centrality

Mark Ditsworth, Justin Ruths|arXiv (Cornell University)|2019. 09. 09.

Complex Network Analysis Techniques참고 문헌 16인용 수 4

한 줄 요약

이 논문은 커뮤니티 탐지에 카츠 중심성과 고유벡터 중심성을 융합한 새로운 방법을 제안한다. 두 중심성 간의 강한 상관관계를 활용해 KE 플롯을 통해 커뮤니티를 식별한다. 이 방법은 최대 0.02%의 런타임으로 루바인보다 유사하거나 더 높은 모듈러리티를 달성하여 대규모 네트워크에서의 확장 가능한 탐지를 가능하게 한다.

ABSTRACT

The computational demands of community detection algorithms such as Louvain and spectral optimization can be prohibitive for large networks. Eigenvector centrality and Katz centrality are two network statistics commonly used to describe the relative importance of nodes; and their calculation can be closely approximated on large networks by scalable iterative methods. In this paper, we present and leverage a surprising relationship between Katz centrality and eigenvector centrality to detect communities. Beyond the computational gains, we demonstrate that our approach identifies communities that are as good or better than conventional methods.

연구 동기 및 목표

• 대규모 네트워크에서 전통적인 모듈러리티 기반 커뮤니티 탐지의 높은 계산 비용을 해결한다.
• 카츠 중심성과 고유벡터 중심성이 커뮤니티 구조의 효과적인 지표가 될 수 있는지 탐색한다.
• 루바인 및 스펙트럴 최적화와 같은 반복적 모듈러리티 최대화 방법의 확장 가능한 대안을 개발한다.
• KE 플롯(카츠 중심성 대 고유벡터 중심성)이 모듈러 네트워크에서 자연스러운 커뮤니티 군집을 드러낸다는 것을 입증한다.
• 기본 커뮤니티와 루바인과 같은 표준 벤치마크와의 성능을 검증한다.

제안 방법

• 거듭 제곱 반복을 통해 고유벡터 중심성 반복 계산: $\mathbf{x}^{(k+1)} = \frac{1}{\lambda_1}\mathbf{A}\mathbf{x}^{(k)}$.
• 반복 공식을 사용해 카츠 중심성 계산: $\mathbf{x}^{(k+1)} = \alpha\mathbf{A}\mathbf{x}^{(k)} + \beta\mathbf{1}$, $\alpha < \frac{1}{\lambda_1}$.
• 각 노드의 카츠 중심성과 고유벡터 중심성을 대응시켜 KE 플롯을 생성한다.
• 라돈 변환 기반 클러스터링 알고리즘을 적용해 KE 플롯 내에서 명확한 선형 클러스터를 탐지하고 커뮤니티 레이블을 할당한다.
• 추가적인 모듈러리티 최적화 없이도 결과 클러스터를 커뮤니티 할당으로 사용한다.
• 반복 중심성 계산의 수렴성을 활용해 대규모 네트워크에서의 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 카츠 중심성과 고유벡터 중심성의 공동 분포가 비방향 네트워크에서 커뮤니티 구조를 드러낼 수 있는가?
• RQ2 실제 및 합성 네트워크에서 루바인과 비교해 KE 기반 방법의 모듈러리티 및 런타임 성능은 어떻게 되는가?
• RQ3 KE 플롯이 알려진 또는 기준 커뮤니티 구조를 어느 정도 반영하는가?
• RQ4 KE 방법이 루바인의 출력을 개선할 때 더 높은 정규화된 모듈러리티를 달성할 수 있는가?
• RQ5 반복적 모듈러리티 최대화 방법과 비교해 네트워크 크기에 따라 이 방법의 확장성은 어떻게 되는가?

주요 결과

• KE 방법은 작은 네트워크에서는 루바인 대비 최소 8.6%의 런타임으로, 더 큰 네트워크에서는 최대 0.02%의 런타임으로 실행되어 놀라운 확장성을 입증했다.
• 아마존 제품 네트워크에서 KE는 $Q/Q_{\text{max}} = 0.359/0.467$의 모듈러리티를 달성했으며, 이는 루바인의 $0.801/0.908$와 유사한 성능이다.
• 10,000개 노드로 구성된 임의의 모듈러 네트워크에서 KE는 1.97초 만에 $Q/Q_{\text{max}} = 0.123/0.492$를 달성했고, 루바인은 7,452초가 소요되었다.
• 1,000개 노드 네트워크에서 KE 플롯은 두 개의 주요 커뮤니티 군집을 드러냈으며, 이를 개선한 결과 $Q/Q_{\text{max}} = 0.940$를 달성했고, 이는 루바인의 $0.299$를 초월했다.
• 루바인에 의해 탐지된 커뮤니티들이 KE 플롯의 클러스터와 일치하여, 이 방법의 구조적 일관성을 검증했다.
• KE 플롯의 통찰을 활용해 루바인의 출력을 개선함으로써 모듈러리티가 향상되었으며, 이는 기존 알고리즘의 성능 향상 잠재력을 보여준다.