[논문 리뷰] Detectability of small communities in multilayer and temporal networks: Eigenvector localization, layer aggregation, and time series discretization.

Dane Taylor, Rajmonda S. Caceres외 1명|arXiv (Cornell University)|2016. 09. 14.

Opinion Dynamics and Social Influence인용 수 5

한 줄 요약

이 논문은 다층 및 시간에 따라 변화하는 네트워크에서 작은 비정상적인 커뮤니티의 탐지 가능성에 대해, 집계된 층의 모듈래리티 행렬에서 고유벡터 국지화를 분석함으로써 연구한다. 커뮤니티 크기 $K$가 임계 임계값 $K^* \propto \sqrt{T^{-2}NL}$ 를 초과할 때 탐지 가능성에 단서가 되는 단계 전이를 식별하며, 시간에 따라 변화하는 네트워크에서 커뮤니티 탐지에 국지화 기반 방법을 제안하고, 엔론 이메일 코퍼스를 통해 검증한다.

ABSTRACT

Inspired by real-world networks that are naturally represented by layers encoding different types of connections, such as different instances in time, we study the detectability of small-scale communities that are anomalies in that they are hidden in a multilayer network. Letting $K$ and $T$ respectively denote the community size and the number of layers in which it is present, we assume that it is unknown which of the $N\gg K$ nodes are involved in the community or in which of the $L\ge T$ layers it is present. We study fundamental limitations on the detectability of small communities by developing random matrix theory for the dominant eigenvectors of a modularity matrix that is associated with an aggregation of layers. We identify a phase transition in detectability that is caused by an eigenvector localization phenomenon that is analogous to localization arising for disordered media and occurs when $K$ surpasses a critical size $K^*\varpropto \sqrt{T^{-2}NL}$. We highlight several consequences of this scaling behavior and compare different methods of layer aggregation including optimal strategies for summation and thresholding. As one concrete application, we identify good practices with respect to small-community detection for how to bin (i.e., discretize) temporal network data into time windows. Using this analysis as a guide, we introduce an eigenvector-localization-based procedure for community detection in temporal networks, which we apply to the Enron email corpus as an example.

연구 동기 및 목표

• 다층 및 시간에 따라 변화하는 네트워크에서 커뮤니티 소속 및 층 존재 여부가 알려지지 않은 상태에서 작은 커뮤니티 탐지의 기본 한계를 이해하는 것.
• 큰 소음이 있는 네트워크에 숨겨져 있어도 작은 커뮤니티가 탐지 가능해지는 조건을 규명하는 것.
• 작은 커뮤니티 탐지 가능성을 향상시키기 위해 시간 시리즈의 분할 및 층 집계에 체계적인 방법을 개발하는 것.
• 이론적 결과를 실세계의 시간에 따라 변화하는 네트워크 데이터, 예를 들어 엔론 이메일 코퍼스에 적용하여 고유벡터 국지화 기반 탐지 절차를 통해 검증하는 것.

제안 방법

• 다층 네트워크에서 집계된 층의 모듈래리티 행렬의 주요 고유벡터에 대한 랜덤 행렬 이론 프레임워크를 개발한다.
• 탐지 가능성의 대체 지표로 고유벡터 국지화를 분석하여, 탐지 가능성의 단계 전이가 발생하는 임계값 $K^* \propto \sqrt{T^{-2}NL}$ 를 규명한다.
• 최적의 합산 및 임계값 설정과 같은 층 집계 전략을 비교하여 모듈래리티 행렬에서의 신호 대 잡음 비율을 최대화한다.
• 탐지 가능성 단계 전이에 기반한 시간에 따라 변화하는 네트워크의 시간 창 분할(바이닝) 전략을 제안하여 창 크기를 최적화한다.
• 집계된 네트워크에서 고유벡터 국지화를 활용하여 작은 커뮤니티를 식별하는 커뮤니티 탐지 알고리즘을 도입한다.
• 엔론 이메일 코퍼스를 통해 방법을 검증하여, 시간적으로 국한된 작은 커뮤니티의 탐지 성능 향상을 입증한다.

실험 결과

연구 질문

• RQ1 다층 네트워크에서 고유벡터 국지화로 인해 탐지 가능성에 단계 전이가 발생하는 커뮤니티 크기는 어느 정도인가?
• RQ2 커뮤니티가 나타나는 층의 수 $T$ 와 총 층 수 $L$ 이 커뮤니티 탐지 가능성에 미치는 영향은 무엇인가?
• RQ3 작은 커뮤니티의 탐지 가능성을 극대화하기 위해 층을 집계하는 최적의 방법은 무엇인가? (합산, 임계값 설정, 기타 방법)
• RQ4 시간에 따라 변화하는 네트워크 데이터는 어떻게 시간 창으로 분할해야 하며, 이는 일시적인 커뮤니티의 탐지 가능성을 유지하는가?
• RQ5 실세계의 시간에 따라 변화하는 네트워크에서 고유벡터 국지화는 작은 비정상적인 커뮤니티를 신뢰할 수 있는 신호로 사용할 수 있는가?

주요 결과

• 다층 네트워크에서 작은 커뮤니티의 탐지 가능성은 커뮤니티 크기 $K$ 가 임계값 $K^* \propto \sqrt{T^{-2}NL}$ 를 초과할 때 날카로운 단계 전이를 경험한다. 여기서 $T$ 는 커뮤니티가 나타나는 층의 수, $L$ 은 총 층 수, $N$ 은 총 노드 수이다.
• 모듈래리티 행렬의 주요 고유벡터에서의 고유벡터 국지화는 커뮤니티 탐지 가능성의 신뢰할 수 있는 지표로 기능하며, 불순물 매질에서 관찰되는 현상과 유사하다.
• 신호가 약하고 여러 층에 퍼져 있을 경우, 최적의 합산 집계가 임계값 설정보다 탐지 가능성을 더 잘 유지한다.
• 탐지 가능성 임계값에 기반한 제안된 시간 분할 전략은 표준 바이닝 방법에 비해 엔론 이메일 코퍼스에서 더 뛰어난 탐지 성능을 보였다.
• 고유벡터 국지화 기반 탐지 절차는 엔론 이메일 네트워크에서 시간적으로 국한된 작은 커뮤니티를 성공적으로 식별하여 이론적 프레임워크의 실용적 유용성을 입증했다.
• 스케일링 법칙 $K^* \propto \sqrt{T^{-2}NL}$ 은 희귀하거나 일시적인 커뮤니티를 탐지하기 위한 네트워크 분석 파이프라인 설계에 정량적 가이드를 제공한다.