[논문 리뷰] Identification of community structure in networks with convex optimization

Roland Hildebrand|ArXiv.org|2008. 06. 11.

Gene Regulatory Network Analysis참고 문헌 5인용 수 3

한 줄 요약

이 논문은 완전 양의 원소의 쌍선형 쌍대체를 통해 모듈러리티 최대화 문제를 쌍선형 프로그램으로 재구성하고, 이후 정수형 이완을 통해 최적 모듈러리티의 날카운 상한을 계산하는 볼록 최적화 프레임워크를 제안한다. 이 방법은 랜덤 알고리즘을 통해 고품질의 분할을 생성할 수 있으며, 실제 네트워크인 Zachary의 카레이트 클럽에 대해 최초로 최적성 증명을 제공한다. 이는 벤치마크 네트워크에서 최신 기술 수준의 정확도를 보여준다.

ABSTRACT

We reformulate the problem of modularity maximization over the set of partitions of a network as a conic optimization problem over the completely positive cone, converting it from a combinatorial optimization problem to a convex continuous one. A semidefinite relaxation of this conic program then allows to compute upper bounds on the maximum modularity of the network. Based on the solution of the corresponding semidefinite program, we design a randomized algorithm generating partitions of the network with suboptimal modularities. We apply this algorithm to several benchmark networks, demonstrating that it is competitive in accuracy with the best algorithms previously known. We use our method to provide the first proof of optimality of a partition for a real-world network.

연구 동기 및 목표

• 기존 커뮤니티 탐지 알고리즘에서 최적 모듈러리티에 얼마나 가까운지 평가할 수 없음을 해결하기 위해, 솔루션이 최적 모듈러리티에 얼마나 가까운지 평가할 수 있도록 보장한다.
• NP-난이도 문제인 모듈러리티 최대화 문제를 완전 양의 원소의 쌍선형 쌍대체를 사용하여 연속적인 볼록 최적화 문제로 재구성한다.
• 최대 모듈러리티에 대한 날카운 상한을 제공하는 정수형 이완을 개발하여, 부분 최적 솔루션의 성능 평가를 가능하게 한다.
• 정수형 이완의 해를 활용해 고모듈러리티 분할을 생성하는 랜덤 알고리즘을 설계한다.
• 실제 네트워크인 Zachary의 카레이트 클럽에 대해 분할의 최적성을 최초로 증명한다.

제안 방법

• 완전 양의 원소의 쌍선형 쌍대체의 유한한 약간의 아핀 부분집합 위에서 모듈러리티 최대화 문제를 연속적인 볼록 최적화 문제로 재구성한다.
• 어려운 완전 양의 원소의 쌍선형 쌍대체를 대체로 정수형 표현 가능한 상한 집합(이중 비음수 쌍선형 쌍대체)으로 대체하여 해석 가능한 정수형 프로그램(SDP)을 가능하게 한다.
• SDP의 해를 사용해 최대 모듈러리티에 대한 상한을 유도하며, 이는 많은 벤치마크 네트워크에서 날카로운 상한을 제공한다.
• SDP 해를 기반으로 하위차원 행렬로 투영하는 랜덤 알고리즘을 설계하여, 부분 최적이지만 고모듈러리티를 가지는 커뮤니티 분할을 생성한다.
• 이완의 기하학적 해석을 도입하여 상한을 향상시키고, 랜덤 분할 과정을 안내한다.
• 최대 커뮤니티 수에 대한 제약 조건을 허용하도록 접근을 확장하여, 이 파rameter에 따라 인덱싱된 일련의 상한을 생성한다.

실험 결과

연구 질문

• RQ1 모듈러리티 최대화 문제를 볼록 연속 최적화 문제로 재구성하여 최적 모듈러리티에 대한 엄밀한 상한을 제공할 수 있는가?
• RQ2 정수형 이완을 통해 확보한 상한이, 벤치마크 네트워크에서 알려진 최상의 부분 최적 솔루션과 비교해 얼마나 날카로운가?
• RQ3 정수형 이완의 해를 활용해 성능 보장이 가능한 고품질 커뮤니티 분할을 생성할 수 있는가?
• RQ4 이 프레임워크를 사용해 실제 네트워크에서 커뮤니티 분할의 최적성을 증명할 수 있는가?
• RQ5 네트워크 크기와 허용 가능한 커뮤니티 수에 따라 계산 복잡도는 어떻게 변화하는가?

주요 결과

• 제안된 정수형 이완은 대부분의 벤치마크 네트워크에서 알려진 최상의 부분 최적 값에 비해 몇 퍼센트 내외의 상한을 제공한다.
• Zachary의 카레이트 클럽 네트워크의 경우, 개선된 이완이 이중성 갭을 해소하여 실제 네트워크에서 분할의 최적성을 최초로 증명한다.
• 알고리즘은 경쟁력 있는 정확도를 달성하며, 표준 벤치마크에서 종종 최고의 알려진 결과를 충족하거나 초월한다.
• 허용 가능한 최대 커뮤니티 수가 증가함에 따라 상한이 급격히 수렴함을 보여, 이완의 높은 날카움을 시사한다.
• n_{ ext{out}}=6 인 무작위 네트워크의 경우 상한의 상대 오차는 0.3%에 불과하며, 이는 최대 모듈러리티 자체의 표준편차보다 훨씬 낮다.
• 계산 비용은 몇 백 개의 노드를 가진 네트워크에만 적용 가능하며, 이는 정수형 프로그램 해법기의 발전에 따라 향후 향상될 것으로 예상된다.