[논문 리뷰] Consistent Bayesian Community Detection

Sheng Jiang, Surya T. Tokdar|arXiv (Cornell University)|2021. 01. 16.

Complex Network Analysis Techniques참고 문헌 26인용 수 5

한 줄 요약

이 논문은 네트워크 데이터에서 진정한 커뮤니티 수와 소속 할당을 일致하게 추정할 수 있도록 보장하기 위해 수정된 베이지안 사전분포를 갖는 대각지배 스토하스틱 블록 모형(DD-SBM)을 제안한다. 연결 행렬에 대각지배성을 강제하고 슈퍼노름 사후 수축을 스웨츠 방법을 통해 적용함으로써, 약한 규칙성 조건 하에서 이론적으로 일致성을 확보하며, 효율적인 역전이 MCMC 계산과 경쟁 가능한 유한표본 성능을 달성한다.

ABSTRACT

Stochastic Block Models (SBMs) are a fundamental tool for community detection in network analysis. But little theoretical work exists on the statistical performance of Bayesian SBMs, especially when the community count is unknown. This paper studies a special class of SBMs whose community-wise connectivity probability matrix is diagonally dominant, i.e., members of the same community are more likely to connect with one another than with members from other communities. The diagonal dominance constraint is embedded within an otherwise weak prior, and, under mild regularity conditions, the resulting posterior distribution is shown to concentrate on the true community count and membership allocation as the network size grows to infinity. A reversible-jump Markov Chain Monte Carlo posterior computation strategy is developed by adapting the allocation sampler of Mcdaid et al (2013). Finite sample properties are examined via simulation studies in which the proposed method offers competitive estimation accuracy relative to existing methods under a variety of challenging scenarios.

연구 동기 및 목표

• 커뮤니티 수가 알려져 있지 않을 때 베이지안 스토하스틱 블록 모형에서 이론적 일관성 보장이 부족한 문제를 해결하기 위해.
• 연결 행렬에 대각지배성을 강제하는 비공액 사전분포 하에서 커뮤니티 수와 소속 할당에 대한 사후 일관성을 확립하기 위해.
• 비공액 설정에서 사후 추론을 위한 계산적으로 실현 가능한 MCMC 알고리즘을 개발하기 위해.
• 특히 도전적인 네트워크 구성에서 기존 방법들과 비교해 경쟁 가능한 유한표본 성능을 보여주기 위해.

제안 방법

• 동일 커뮤니티 내 연결 확률이 이웃 커뮤니티 간 확률을 엄격히 초월하는 대각지배 스토하스틱 블록 모형을 제안하여 노드 수준의 연결성으로부터 식별 가능하게 한다.
• 노빅-스니지어스 사전분포를 수정하여 대각지배성을 확보하면서도 이론적 취급 가능성을 유지하기 위해 약한 정보성 구조를 유지한다.
• 스웨츠 방법을 적용하여 슈퍼노름 사후 수축을 증명함으로써, 연결 확률에서 커뮤니티 구조 식별에 필수적인 요건을 확보한다.
• 다양한 커뮤니티 수에 걸쳐 샘플링할 수 있도록 할당 샘플러 프레임워크 기반의 역전이 MCMC 알고리즘을 개발한다.
• 네트워크 크기가 증가함에 따라 슈퍼노름에서의 사후 수축률을 이용해 커뮤니티 수와 소속 할당 복원의 일관성을 보장한다.
• 희소 네트워크로의 확장을 위해 희소성 인자 ρₙ을 통합하고 적절한 규칙성 조건 하에서 사후 수축을 증명한다.

실험 결과

연구 질문

• RQ1 진짜 커뮤니티 수가 알려져 있지 않을 때, 베이지안 SBM이 커뮤니티 수와 소속 할당을 일관되게 추정할 수 있는가?
• RQ2 연결 행렬에 대각지배성을 강제하면 노드 수준의 연결 확률에서 커뮤니티 구조를 일관되게 복원할 수 있는가?
• RQ3 비공액 사전분포 하에서 슈퍼노름에서의 사후 수축을 달성할 수 있으며, 이는 일관된 커뮤니티 탐지 보장하는가?
• RQ4 기존의 베이지안 및 빈도주의 커뮤니티 탐지 방법들과 비교해 제안된 방법의 유한표본 성능은 어떠한가?
• RQ5 이론적 일관성 결과는 간선 확률이 감소하는 희소 네트워크 설정으로 확장될 수 있는가?

주요 결과

• 네트워크 크기가 증가함에 따라 사후 분포가 진짜 커뮤니티 수와 소속 할당으로 슈퍼노름에서 수축하여 일관된 추정을 보장한다.
• 스웨츠 방법을 활용하여 사후 수축을 확립하였으며, 이는 SBM 맥락에서 헬링거 거리가 슈퍼노름을 지배하는 데 기반한다.
• 경쟁 가능한 유한표본 성능을 달성하였으며, 특히 저연결성 또는 높은 커뮤니티 수 조건에서 조정된 랜드 지수 값이 공액 SBM(c-SBM)와 유사하다.
• 희소 네트워크에서는 사후 수축률이 희소성 수준 ρₙ에 영향을 받지 않지만, L₂ 최소자승 비율에 비해 최적은 아닐 수 있다.
• 이론적 일관성은 ρₙδ₀ ≳ √(log k₀ / n) 조건 하에서 유지되며, 여기서 δ₀는 대각지배 갭이고 k₀는 진짜 커뮤니티 수이다.
• 공액성 상실에도 불구하고 제안된 방법은 효율적인 역전이 MCMC 샘플링을 가능하게 하였으며, MFM 샘플러와 같은 공액 대안보다는 느리다.