[논문 리뷰] Hierarchical Stochastic Block Model for Community Detection in Multiplex Networks

Arash A. Amini, Marina Silva Paez외 1명|arXiv (Cornell University)|2019. 03. 30.

Bayesian Methods and Mixture Models참고 문헌 41인용 수 7

한 줄 요약

이 논문은 계층적 디리ش레트 프로세스 사전분포를 사용하여 각 층에서 다른 공동체를 允許하면서도 그들 사이에서 강도를 빌려쓰는 방식으로, 다층 네트워크에서 공동체 탐지에 적합한 계층적 스토하스틱 블록 모델(HSBM)을 제안한다. 이 방법은 각 층에 대해 공동체 수를 자동으로 선택할 수 있게 하며, 시뮬레이션된 네트워크와 실제 네트워크(예: FAO 무역 네트워크 포함)에서 의미 있고 안정된 공동체 구조를 더 잘 탐지하는 데 성공한다.

ABSTRACT

Multiplex networks have become increasingly more prevalent in many fields, and have emerged as a powerful tool for modeling the complexity of real networks. There is a critical need for developing inference models for multiplex networks that can take into account potential dependencies across different layers, particularly when the aim is community detection. We add to a limited literature by proposing a novel and efficient Bayesian model for community detection in multiplex networks. A key feature of our approach is the ability to model varying communities at different network layers. In contrast, many existing models assume the same communities for all layers. Moreover, our model automatically picks up the necessary number of communities at each layer (as validated by real data examples). This is appealing, since deciding the number of communities is a challenging aspect of community detection, and especially so in the multiplex setting, if one allows the communities to change across layers. Borrowing ideas from hierarchical Bayesian modeling, we use a hierarchical Dirichlet prior to model community labels across layers, allowing dependency in their structure. Given the community labels, a stochastic block model (SBM) is assumed for each layer. We develop an efficient slice sampler for sampling the posterior distribution of the community labels as well as the link probabilities between communities. In doing so, we address some unique challenges posed by coupling the complex likelihood of SBM with the hierarchical nature of the prior on the labels. An extensive empirical validation is performed on simulated and real data, demonstrating the superior performance of the model over single-layer alternatives, as well as the ability to uncover interesting structures in real networks.

연구 동기 및 목표

• 다층 네트워크에서 모든 층에 동일한 공동체를 가정하는 기존 모델의 한계를 해결하기 위해.
• 공동체가 층 간으로 다양해지되도 구조적 의존성을 포착할 수 있는 유연한 베이지안 모델을 개발하기 위해.
• 사전 지정이 필요 없이 각 층에 대한 공동체 수를 자동으로 결정하기 위해.
• 계층적 사전분포를 통해 층 간 강도를 빌려와 복잡하거나 희박한 다층 네트워크에서 추정 성능을 향상시키기 위해.
• 다층 SBM 설정에서 복잡한 결합 가능도를 다루는 효율적인 사후 추론 알고리즘을 제공하기 위해.

제안 방법

• 공동체 레이블에 대한 비모수적 사전분포로 계층적 디리시레트 프로세스(HDP)를 사용한다.
• 각 층에 대해 공동체 레이블에 조건부로 스토하스틱 블록 모델(SBM)을 할당한다.
• 공동체 레이블과 상호 공동체 간 연결 확률에 대한 사후 추론을 위해 효율적인 슬라이스 샘플러를 활용한다.
• 무작위 분할을 통해 탄력적이고 데이터 기반의 공동체 탐지가 가능한 공동체 구조를 모델링한다.
• SBM 가능도를 계층적 사전분포와 결합하여 공동체 구조와 연결 확률을 함께 추정한다.
• 노드 위치를 각 층의 네트워크 연결성 기반으로 시각화하기 위해 프루흐터만-라인골드 레이아웃 알고리즘을 적용한다.

실험 결과

연구 질문

• RQ1 공동체 구조가 층 간으로 다양해지는 다층 네트워크에서 베이지안 모델이 공동체 탐지에 효과적으로 기여할 수 있는가?
• RQ2 공동체를 공유하는 모델과 비교해 볼 때, 층별 공동체를 允許함으로써 탐지 정확도는 얼마나 향상되는가?
• RQ3 계층적 사전분포가 희박하거나 복잡한 다층 네트워크에서 층 간 강도를 얼마나 효과적으로 빌려와 추정 성능을 향상시킬 수 있는가?
• RQ4 사전 지정 없이도 각 층에 대한 공동체 수를 자동으로 선택할 수 있는가?
• RQ5 실제 다층 네트워크에서 희박성과 노이즈에 대해 모델은 얼마나 강인한가?

주요 결과

• HSBM 모델은 추정된 군집 내에서 랜덤 쌍과 비교해 평균 정규화 허밍(ANH) 거리가 유의미하게 낮게 나타났으며, 샘플 내에서 군집 내 쌍의 중앙 ANH는 0.027, 랜덤 쌍은 0.21이었다.
• 샘플 외 ANH 결과는 안정성을 확인했으며, 더 희박한 층들에서도 군집 내 쌍과 랜덤 쌍의 분포가 일관되게 분리됨을 보였다.
• 직관에 어긋나는 국가 조합들, 예를 들어 마카오–รว란다(ANH = 0.074)와 이라크–기니(ANH = 0.019)가 식품 품목 카테고리 간 공유 무역 패턴을 반영하여 식별되었다.
• 모델은 FAO 무역 네트워크에서 지리적·경제적으로 의미 있는 군집을 성공적으로 파악했으며, 특히 여러 층에서 고도의 레이블 빈도를 보인 그룹(예: 그룹 6에서 총 20개 층 중 13개 층에서 캐나다)이 포함되었다.
• 스ライ스 샘플러 덕분에 SBM 가능도와 계층적 사전분포 간 복잡한 결합에도 불구하고 효율적인 사후 샘플링이 가능했으며, 확장 가능한 추론을 지원했다.
• 실증 검증에서 HSBM은 단일 층 모델 대비 뛰어난 성능을 보였으며, 안정적이고 해석 가능한 공동체 구조를 탐지하는 데서 뛰어난 성능을 입증했다.