[논문 리뷰] Identification of Overlapping Communities by Locally Calculating Community-Changing Resolution Levels

Frank Havemann, Michael G. Heinz외 2명|arXiv (Cornell University)|2010. 08. 05.

Complex Network Analysis Techniques참고 문헌 10인용 수 7

한 줄 요약

이 논문은 각 노드에서 시작하여 해상도 매개변수 α를 사용해 공동체를 반복적으로 확장하는 새로운 局소 알고리즘인 MONC를 제안한다. 원래의 LFK 알고리즘과 달리, 다양한 α 값에 대해 반복 실행이 필요로 하는 것과는 달리, MONC는 공동체가 확장되는 해상도 임계값을 추적함으로써 단일 실행에서 모든 겹치는 공동체를 계산한다. 이로 인해 최대 50배의 속도 향상을 달성하며, 계층적 구조를 가지는 안정된 공동체 간격을 드러낸다.

ABSTRACT

An algorithm for the detection of overlapping natural communities in networks was proposed by Lancichinetti, Fortunato, and Kertesz (LFK) last year. The LFK algorithm constructs natural communities of (in principle) all nodes of a graph by maximising the local fitness of communities. The resulting modules can overlap. The generation of communities can easily be repeated for many values of resolution; thus allowing different views on the network at different resolutions. We implemented the main idea of the LFK algorithm---to generate natural communities of each node of a network---in a different way. We start with a value of the resolution parameter that is high enough for each node to be its own natural community. As soon as the resolution is reduced, each node acquires other nodes as members of its community, i.e. natural communities grow. For each community found at a certain resolution level we calculate the next lower resolution where a node is added. After adding a node to a community of a seed node we check whether it is also the natural community of a node that we have already analysed. In this case, we can stop expanding the seed node's community. We tested our algorithm on a small benchmark graph and on a network of about 500 papers in information science (weighted with the Salton index of bibliographic coupling). In our tests, this approach results in characteristic ranges of resolution where a large resolution change does not lead to a growth of the natural community. Such stable modules were also obtained by applying the LFK algorithm but since we determine communities for all resolution values in one run, our approach is faster than the LFK reference. And our algorithm reveals the hierarchical structure of the graph more easily.

연구 동기 및 목표

• 겹치는 공동체를 탐지하기 위해 다양한 해상도 수준 α에 대해 반복 실행이 필요한 기존 LFK 알고리즘의 계산 비효율성을 해결하기 위해.
• 모든 해상도 수준에서 단일 실행으로 빠르고 확장 가능한 방법을 개발하여 겹치는 공동체를 식별하기 위해.
• 공동체 구조가 변화하지 않는 안정된 해상도 간격을 탐지하여 네트워크 내에서 강건한 주제 모듈을 나타내기 위해.
• 성장 과정에서 겹치는 공동체를 융합함으로써 계층적 공동체 구조를 유지하고, 계층도 유사한 시각화를 가능하게 하기 위해.
• 특히 정보 과학 분야의 겹치는 과학적 주제를 고려하여 문헌 네트워크에서 공동체 탐지를 향상시키기 위해.

제안 방법

• MONC는 높은 해상도(α = 1)에서 각 노드를 개별 공동체로 초기화한 후, α를 체계적으로 감소시켜 내부 적합도를 극대화하는 인접 노드를 추가함으로써 공동체를 확장한다.
• 각 노드에 대해 MONC는 각 이웃 노드가 추가되는 정확한 α 값을 계산하며, 공동체 확장에 대한 해상도 임계값을 추적한다.
• 각 단계에서 MONC는 시드 노드의 현재 중간 공동체가 이전에 계산된 공동체와 일치하는지 확인한다. 일치할 경우 융합하고 해당 노드에 대한 추가 분석을 종료한다.
• 알고리즘은 LFK와 동일한 局소 적합도 함수를 사용한다: f(G,α) = k_in(G) / (k_in(G) + k_out(G))^α, 여기서 k_in과 k_out은 내부 및 외부 차수를 의미한다.
• LFK와 달리 노드 제거를 방지함으로써 더 빠른 계산과 공동체 간 계층적 관계의 유지가 가능하다.
• 조직도를 최대화한 클리크(최고의 밀도로 축소된)를 시작점으로 사용하여 네트워크의 희박한 영역으로의 조기 확장을 방지한다.

실험 결과

연구 질문

• RQ1 반복적인 LFK 알고리즘 실행을 피하기 위해, 한 번의 알고리즘 실행으로 모든 해상도 수준에서 겹치는 공동체를 탐지할 수 있는가?
• RQ2 국소적으로 계산된 해상도 임계값을 통해 네트워크에서 안정된 공동체 구조 간격을 식별할 수 있는가?
• RQ3 노드 제거를 방지하고 성장 과정에서 겹치는 공동체를 융합함으로써 얻을 수 있는 성능 향상은 어느 정도인가?
• RQ4 MONC가 탐지한 중간 모듈이 LFK 실행 결과로 얻어진 의미 있는 안정된 공동체와 어느 정도 일치하는가?
• RQ5 다중 실행 없이도 MONC가 겹치는 공동체의 계층적 구조를 유지하고 드러낼 수 있는가?

주요 결과

• MONC는 단일 실행으로 모든 해상도 수준에서 겹치는 공동체를 탐지하여 원래의 LFK 알고리즘에서 요구되는 반복 실행이 필요 없어졌다.
• 최적화되지 않은 MONC는 최적화되지 않은 무작위 LFK보다 네 배 빠르며, 데이터 캐싱을 적용하면 동일한 LFK 변종 대비 50배 빠른 성능 향상을 달성했다.
• 공동체 구조가 변화하지 않는 안정된 해상도 간격을 식별하여 강건한 주제 모듈을 나타낸다.
• MONC가 생성한 중간 공동체는 종종 LFK 실행 결과에서 발견되는 중요한 공동체와 일치하며, 이는 유사한 타당성과 해석 가능성의 가능성을 시사한다.
• 성장 과정에서 겹치는 공동체를 융합함으로써 MONC는 자연스럽게 계층적 공동체 구조를 드러내며, 주제 관계를 계층도 유사한 방식으로 시각화할 수 있게 한다.
• 조직도를 최대화한 클리크를 시작점으로 사용함으로써 정확도를 유지하고, 네트워크의 저밀도 영역으로의 조기 확장을 방지한다.