[논문 리뷰] Evolutionary method for finding communities in bipartite networks

Zhan WeiHua, Zhongzhi Zhang외 2명|arXiv (Cornell University)|2010. 11. 15.

Complex Network Analysis Techniques인용 수 11

한 줄 요약

이 논문은 양분 네트워크에서 커뮤니티 탐지 문제를 양분 모듈러리티 최대화 문제로 재정의함으로써 수정된 적응형 유전 알고리즘(MAGA)을 제안한다. MAGA는 Kullback-Leibler 발산 기반의 띠 정보성 측정법, 재할당 기법, 수정된 돌연변이 규칙을 통해 기존 유전 알고리즘보다 뛰어난 성능을 보이며, MOGA, SGA, BRIM과 비교해 더 높은 모듈러리티와 더 빠른 수렴 속도를 확보하였다. 이는 합성 네트워크와 실제 네트워크(일반 네트워크 및 방향성 네트워크 포함)에서 모두 입증되었다.

ABSTRACT

An important step in unveiling the relation between network structure and dynamics defined on networks is to detect communities, and numerous methods have been developed separately to identify community structure in different classes of networks, such as unipartite networks, bipartite networks, and directed networks. We show that both unipartite and directed networks can be represented as bipartite networks, and their modularity is completely consistent with that for bipartite networks, the detection of modular structure on which can be reformulated as modularity maximization. To optimize the bipartite modularity, we develop a modified adaptive genetic algorithm (MAGA), which is shown to be especially efficient for community structure detection. The high efficiency of the MAGA is based on the following three improvements we make. First, we introduce a different measure for the informativeness of a locus instead of the standard deviation, which can exactly determine which loci mutate. This measure is the bias between the distribution of a locus over the current population and the uniform distribution of the locus, i.e., the Kullback-Leibler divergence between them. Second, we develop a reassignment technique for differentiating the informative state a locus has attained from the random state in the initial phase. Third, we present a modified mutation rule which by incorporating related operation can guarantee the convergence of the MAGA to the global optimum and can speed up the convergence process. Experimental results show that the MAGA outperforms existing methods in terms of modularity for both bipartite and unipartite networks.

연구 동기 및 목표

• 일반 네트워크, 방향성 네트워크, 양분 네트워크를 모두 하나의 프레임워크로 통합하기 위해, 이를 양분 네트워크로 표현함으로써 커뮤니티 탐지를 통일한다.
• 기존 유전 알고리즘의 한계, 특히 수렴 성능이 열 劣하고 표준편차를 이용한 띠 선택 기법에 의존하는 문제를 해결한다.
• 파라미터가 없는 적응형 유전 알고리즘을 개발하여, 양분 모듈러리티를 효율적이고 신뢰성 있게 최적화한다.
• 사전 지정 없이 커뮤니티 수를 자동으로 탐지할 수 있도록 한다.
• 실행 시 다수의 고성능 솔루션을 제공하여 솔루션 신뢰성 평가 및 최상의 결과 조합이 가능하도록 한다.

제안 방법

• 노드 유형 변환을 통해 일반 네트워크 및 방향성 네트워크의 커뮤니티 탐지를 양분 네트워크 문제로 재정의한다.
• 표준 모듈러리티 정의와 일관성을 유지하기 위해, 목표 함수로 양분 모듈러리티를 정의한다.
• 표준편차 대신 Kullback-Leibler 발산을 사용하여 띠 정보성 측정법을 개선함으로써, 돌연변이에 적합한 정보성 띠를 정확히 식별할 수 있도록 한다.
• 초기 진화 단계에서 정보성 상태와 무작위 초기 상태를 구분하기 위해 재할당 기법을 도입한다.
• 관련 연산을 통합한 수정된 돌연변이 규칙을 구현하여 국소 최적해가 아닌 전역 최적해로 수렴함을 보장하고 수렴 속도를 가속화한다.
• 각 세대당 시간 복잡도가 O(M)인 인구 기반의 진화적 프레임워크를 설계하여 대규모 네트워크에 대한 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 일반 네트워크 및 방향성 네트워크에서의 커뮤니티 탐지를 양분 네트워크 표현을 통해 하나의 프레임워크로 통합할 수 있는가?
• RQ2 유전 알고리즘은 어떻게 개선되어야 하며, 표준편차와 같은 히وري스틱 측정법에 의존하지 않고도 신뢰성 있게 전역 최적해로 수렴할 수 있는가?
• RQ3 MAGA는 MOGA, SGA, BRIM과 비교해 모듈러리티 및 계산 효율성 측면에서 어느 정도 뛰어나며, 성능 향상 정도는 어떠한가?
• RQ4 MAGA는 사전 지정 없이 커뮤니티 수를 자동으로 결정할 수 있으며, 이는 솔루션 품질에 어떤 영향을 미치는가?
• RQ5 MAGA 는 다양한 네트워크 유형, 특히 대규모 실제 네트워크에서 커뮤니티 구조 탐지에 얼마나 효과적인가?

주요 결과

• MAGA 는 합성 및 실제 양분 네트워크에서 MOGA, SGA, BRIM 보다 높은 모듈러리티 점수를 확보하여 더 뛰어난 최적화 성능을 입증하였다.
• MAGA 는 시뮬레이션된 회전(Annealing, SA) 방법보다 더 높은 모듈러리티를 확보하면서도 훨씬 적은 시간이 소요되어 대규모 네트워크에 적합하다.
• 알고리즘은 SA 와 비슷하거나 뛰어난 정확도로 일반 네트워크의 커뮤니티 구조를 탐지할 수 있었으며, 실행 시간은 극적으로 단축되었다.
• MAGA 는 사전 지정 없이 커뮤니티 수를 자동으로 결정할 수 있으며, 이는 BRIM 및 기타 방법과의 주요 차별점이다.
• 실증 결과에 따르면 MAGA 는 최대 10^5 개의 노드를 가진 네트워크에서도 효과적으로 커뮤니티를 탐지할 수 있었으며, 병렬 구현 가능성을 통해 수백만 개의 노드까지 확장 가능성이 있음을 시사한다.
• 이 방법은 실행 시 다수의 고성능 솔루션을 제공하여 솔루션의 신뢰성 평가 및 더 정확한 최종 분할 결과 조합이 가능하다.