[논문 리뷰] Evaluating network partitions through visualization

Chihiro Noguchi, Tatsuro Kawamoto|arXiv (Cornell University)|2019. 06. 03.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 통계적 추론에서 유도된 네트워크 분할을 평가하기 위한 시각화 방법인 팔레트 다이어그램을 제안한다. 통계 기준이 유일한 결과를 도출하지 못할 경우에도 유의미한 군집을 식별할 수 있도록 돕는다. α-분산 군집화를 통한 그룹 필터링과 Isomap를 이용한 정점 순서 조정을 결합함으로써, 고차원의 군집 할당 확률을 해석 가능한 1차원 또는 2차원 시각화로 변환하여 분할 간의 모듈성 구조와 유사성을 드러낸다.

ABSTRACT

Network clustering requires making many decisions manually, such as the number of groups and a statistical model to be used. Even after filtering using an information criterion or regularizing with a nonparametric framework, we are commonly left with multiple candidates with reasonable partitions. In the end, the user has to decide which inferred groups should be regarded as informative. Here we propose a visualization method that efficiently represents network partitioning based on statistical inference algorithms. Our non-statistical assessment procedure based on visualization helps users extract informative groups when they cannot uniquely determine significant groups on the basis of statistical assessments. The proposed visualization is also effective for use as a benchmark test of different clustering algorithms.

연구 동기 및 목표

• 다양한 통계적으로 타당한 군집화 결과가 존재할 경우 유의미한 네트워크 분할을 선택하는 데 도전하는 데 목적을 두며.
• 정보 기준이 모호성을 해결하지 못할 경우에도 인간의 판단을 지원할 수 있는 비통계적 시각화 도구를 개발하는 데 목적을 두며.
• 다양한 군집 알고리즘 간의 유사성과 구조를 시각적 검토를 통해 빠르게 비교하고 기준화할 수 있도록 하는 데 목적을 두며.
• 중복되거나 유사한 군집을 제거하여 고차원 군집 할당 데이터의 시각적 혼잡함을 줄이는 데 목적을 두며.
• 유사한 군집 할당이 공간적으로 가까이 오도록 정점 순서를 최적화하여, 모듈성 구조의 해석 가능성을 향상시키는 데 목적을 두며.

제안 방법

• N개의 정점과 총 M₀개의 분할 내 군집을 포함하는 N×M₀ 크기의 원시 할당 행렬 P₀를 구성한다.
• α-분산을 사용하여 군집 할당 분포 간의 유사도를 측정하며, α를 조절하여 분산 측정법(예: 쿨백-라이블러 또는 L2)을 조정한다.
• M₀×M₀ 유사도 행렬에 대해 k-means 군집화를 수행하여 유사한 분포를 M개의 대표 군집으로 묶으며, 여기서 M ≤ M₀이다.
• 모든 정점에 걸쳐 할당 확률의 합이 가장 큰 군집을 각 군집의 대표로 선택한다.
• 비선형 차원 축소를 위해 Isomap를 사용하여 정점을 재정렬함으로써, 유사한 할당 패턴을 가진 정점들이 인접하도록 하며, 1차원에서 모듈성 구조를 유지한다.
• 각 정점에 대해 할당 확률을 수직으로 스택하여 1차원 팔레트 다이어그램을 생성하며(기준점 이동), 각 군집을 색상으로 표현하고 확률의 깊이로 표현함으로써 2차원 다이어그램을 생성한다.

실험 결과

연구 질문

• RQ1 겹치는 또는 부드러운 할당이 있는 네트워크 군집 결과를 어떻게 효과적으로 시각화하여 인간의 해석을 지원할 수 있는가?
• RQ2 정보 기준이 모호할 경우, 군집 할당 패턴의 시각적 검토가 얼마나 잘 유의미한 군집을 식별하는 데 기여하는가?
• RQ3 여러 분할에 걸쳐 중복되거나 매우 유사한 군집을 자동으로 걸러내어 시각적 복잡성을 줄일 수 있는가?
• RQ4 어떤 정점 순서 전략이 네트워크 분할의 시각화에서 모듈성 구조를 가장 잘 유지하는가?
• RQ5 팔레트 다이어그램은 다양한 군집 알고리즘 간 비교를 위한 신뢰할 수 있는 기준화 도구가 될 수 있는가?

주요 결과

• 팔레트 다이어그램은 소프트 군집 할당을 시각화함으로써, 분할이 겹치거나 비계층적일 경우에도 네트워크 분할의 모듈성 구조를 효과적으로 드러낸다.
• α-분산 군집화를 통한 그룹 필터링이 비슷한 군집을 융합함으로써 중복을 성공적으로 줄여 시각적 명료성을 향상시키며, 필수적인 구조는 손실 없이 유지된다.
• Isomap를 통한 정점 순서 조정이 정점의 할당 패턴이 유사한 경우에 가까이 오도록 하여, 해석 가능성에 크게 기여하며, 일관된 모듈의 탐지에 유리하다.
• 1차원 팔레트 다이어그램은 군집 경계와 겹침을 더 명확히 표현할 수 있으나, 2차원 버전은 군집 간 할당 패턴의 유사성을 더 잘 드러낸다.
• 이 방법은 통계 기준이 고유한 해답을 도출하지 못할 경우에도 인간의 판단을 지원할 수 있는 비통계적 분석 도구로 기능한다.
• 재현성 네트워크와 합성 예제를 통해 다양한 네트워크 유형에 대해 강건함을 입증하였다.