[논문 리뷰] Community extraction in multilayer networks with heterogeneous community structure

James Wilson, John Palowitch외 2명|PubMed|2016. 10. 20.

Complex Network Analysis Techniques참고 문헌 23인용 수 27

한 줄 요약

이 논문은 이질적인 커뮤니티 구조를 각 층에서 가지는 다층 네트워크에서 커뮤니티를 탐지하기 위한 중요도 기반 방법인 Multilayer Extraction을 제안한다. 이 방법은 차수를 유지하는 무작위 그래프 근거 모델을 사용하여 정점-층 조합의 점수를 매기며, 이로 인해 상호배타적, 겹치는, 지속적인 커뮤니티를 탐지할 수 있고, 어떤 커뮤니티에도 속하지 않는 배경 정점-층 쌍을 처리할 수 있다. 이는 이론적 일致성과 시뮬레이션 및 실제 응용에서의 뛰어난 경험적 성능을 보인다.

ABSTRACT

Multilayer networks are a useful way to capture and model multiple, binary or weighted relationships among a fixed group of objects. While community detection has proven to be a useful exploratory technique for the analysis of single-layer networks, the development of community detection methods for multilayer networks is still in its infancy. We propose and investigate a procedure, called Multilayer Extraction, that identifies densely connected vertex-layer sets in multilayer networks. Multilayer Extraction makes use of a significance based score that quantifies the connectivity of an observed vertex-layer set through comparison with a fixed degree random graph model. Multilayer Extraction directly handles networks with heterogeneous layers where community structure may be different from layer to layer. The procedure can capture overlapping communities, as well as background vertex-layer pairs that do not belong to any community. We establish consistency of the vertex-layer set optimizer of our proposed multilayer score under the multilayer stochastic block model. We investigate the performance of Multilayer Extraction on three applications and a test bed of simulations. Our theoretical and numerical evaluations suggest that Multilayer Extraction is an effective exploratory tool for analyzing complex multilayer networks. Publicly available code is available at https://github.com/jdwilson4/MultilayerExtraction.

연구 동기 및 목표

• 커뮤니티 구조가 층 간에 다양해지는 다층 네트워크에서 커뮤니티를 효과적으로 탐지할 수 있는 커뮤니티 탐지 방법을 개발하는 것.
• 겹치는 커뮤니티와 어떤 커뮤니티에도 속하지 않는 배경 정점-층 쌍을 처리하는 것.
• 다층 스토케스틱 블록 모델 하에서 이 방법의 이론적 일치성을 확립하는 것.
• 다양한 커뮤니티 구조를 가진 시뮬레이션 네트워크와 실제 응용에서의 성능 평가.
• 복잡한 다층 시스템의 탐색적 분석을 위한 융통성 있고 확장 가능하며 해석 가능한 도구를 제공하는 것.

제안 방법

• Multilayer Extraction는 고정된 차수를 가진 무작위 그래프 근거 모델에서 유도된 局부 모듈래리티 점수를 사용하여 정점-층 조합의 중요도를 평가한다.
• 이 방법은 근거 모델 하에서 예상되는 연결성에 비해 정점-층 조합의 연결성을 수량화하는 점수를 최적화한다.
• 정점과 층이 여러 커뮤니티에 속하거나 전혀 속하지 않도록 허용함으로써 겹치는 커뮤니티를 허용한다.
• 알고리즘은 점수 향상에 따라 커뮤니티 할당을 반복적으로 갱신하며, 더 이상 향상이 없을 때까지 반복한다.
• 점수는 정점과 층의 동시 소속을 모두 고려하여 특정 층의 부분집합에서 활성화된 커뮤니티를 탐지할 수 있도록 한다.
• 다층 스토케스틱 블록 모델 하에서 이론적 일치성이 확립되었으며, 네트워크 크기가 증가함에 따라 진짜 커뮤니티로 수렴함을 보였다.

실험 결과

연구 질문

• RQ1 중요도 기반 방법이 층 간에 이질적인 커뮤니티 구조를 가지는 다층 네트워크에서 커뮤니티를 탐지할 수 있는가?
• RQ2 Multilayer Extraction은 상호배타적, 겹치는, 지속적인, 비지속적인, 계층적인 커뮤니티 구조를 탐지하는 데 어떻게 성능을 발휘하는가?
• RQ3 다층 스토케스틱 블록 모델과 같은 이론적 네트워크 모델 하에서 이 방법은 일관성과 정확성을 유지하는가?
• RQ4 정밀도와 내성 면에서 기존의 다층 커뮤니티 탐지 방법과 비교해 Multilayer Extraction은 어떻게 성능을 발휘하는가?
• RQ5 이 방법이 큰 커뮤니티를 탐지하는 데에는 어떤 한계가 있으며, 그 이유는 무엇인가?

주요 결과

• Multilayer Extraction은 시뮬레이션에서 상호배타적, 겹치는, 지속적인, 비지속적인 네트워크 구조에서 진짜 임bedded 커뮤니티를 완벽한 정확도로 모두 탐지한다.
• 계층적 커뮤니티 구조에서는 전체 커뮤니티 집합을 탐지하지 못하며, 특히 한 예에서 커뮤니티 1과 같은 큰 커뮤니티를 놓치는 경향이 있다.
• 한 시뮬레이션(예제 VI)에서 커뮤니티 1과 2가 하나의 더 큰 커뮤니티로 통합되는 것으로 나타나, 큰 흩어진 커뮤니티보다 더 조밀하거나 높은 밀도의 그룹을 선호하는 경향이 있음을 시사한다.
• 커뮤니티에 속한 정점 수와 점수 사이의 반비례 관계는 큰 커뮤니티에 대한 편향을 설명할 수 있으며, 더 큰 집합을 보상하는 점수 수정이 필요함을 시사한다.
• 이 방법은 세 가지 실제 응용과 포괄적인 시뮬레이션 테스트 베드에서 강력한 경험적 성능를 보이며, 탐색적 도구로서의 효과성을 확인한다.
• 다층 스토케스틱 블록 모델 하에서 이론적 일치성이 확립되어 대규모 환경에서의 신뢰성을 뒷받침한다.