[논문 리뷰] Inhomogeneous Hypergraph Clustering with Applications

Pan Li, Olgica Milenković|arXiv (Cornell University)|2017. 09. 05.

Advanced Clustering Algorithms Research참고 문헌 39인용 수 74

한 줄 요약

논문은 비균일 비하이퍼그래프 분할을 도입하여 하이퍼엣지 절단에 서로 다른 비용을 부과하고, 비용이 부분모듈성일 때 최적해에 대해 2차 근사(제곱근 근사)를 달성함을 보이며 구조 학습, 부분공간 분할, 모티프 클러스터링에 응용합니다.

ABSTRACT

Hypergraph partitioning is an important problem in machine learning, computer vision and network analytics. A widely used method for hypergraph partitioning relies on minimizing a normalized sum of the costs of partitioning hyperedges across clusters. Algorithmic solutions based on this approach assume that different partitions of a hyperedge incur the same cost. However, this assumption fails to leverage the fact that different subsets of vertices within the same hyperedge may have different structural importance. We hence propose a new hypergraph clustering technique, termed inhomogeneous hypergraph partitioning, which assigns different costs to different hyperedge cuts. We prove that inhomogeneous partitioning produces a quadratic approximation to the optimal solution if the inhomogeneous costs satisfy submodularity constraints. Moreover, we demonstrate that inhomogenous partitioning offers significant performance improvements in applications such as structure learning of rankings, subspace segmentation and motif clustering.

연구 동기 및 목표

• subsets 간 중요도가 달라질 때 하이퍼그래프 클러스터링의 필요성 제시.
• 일관된 비용 함수와 함께 비균일 하이퍼엣지를 정의하고 정규화된 컷 목적함수를 도출.
• 비균일 비용을 처리하는 투영 기반 스펙트럴 클러스터링 파이프라인 개발.
• 부분모듈성 하에서 근사 경계에 대한 이론적 보장 제공.
• 랭킹, 부분공간 클러스터링, 모티프 네트워크 등 응용에서의 실용적 이점 시연.

제안 방법

• 각 비균일 하이퍼엣지에 대해 최적화 문제를 통해 하이퍼엣지 절단을 가장 잘 근사하는 완전한 서브그래프 표현을 계산한다.
• 하이퍼엣지들에서 투영된 간선 가중치를 합쳐 같은 정점 집합의 그래프를 얻고, 간선 가중치를 투영의 합으로 구성한다.
• 정규화 라플라시아를 이용한 결과 그래프에서 고전적 스펙트럴 클러스터링을 적용한다.
• 비음수 간선 가중치를 갖는 투영 문제에 대한 해를 제시하고, 부분모듈성 하에서 존재성 및 경계 조건을 통해 근사 보장을 논의한다.
• 투영이 비음수 가중치를 낳는 경우, 본 방법이 그래프 NCut에 대해 상수 근사를 달성하며 beta* (beta-근사 인자)를 포함하는 경계를 갖는다고 증명한다.
• 음수 투영 가중치가 발생하는 경우의 실용적 고려사항을 논의하고 양의 부분 잘라내기 등의 수정 방법을 제안하며 실험적 성능을 주석으로 다룬다.

실험 결과

연구 질문

• RQ1 비균일 하이퍼엣지 비용을 스펙트럴 클러스터링에 적합한 그래프 표현으로 효율적으로 투영할 수 있는가?
• RQ2 부분모듈성 하이퍼엣지 가중치가 해의 가능한 음수 투영과 2차 근사 보장을 보장하는 조건은 무엇인가?
• RQ3 비균일 분할이 모티프 클러스터링과 구조 학습에서 균질 및 페어와이 방법과 비교하여 어떤 차이를 보이는가?
• RQ4 비균일 비용이 의미 있는 개선을 가져다주는 실용적 응용은 무엇인가(예: 랭킹, 부분공간 클러스터링, 네트워크 모티프)?

주요 결과

• 투사 가중치가 비음수이고 하이퍼엣지 비용이 부분모듈성인 경우 제안된 비균일 분할 프레임워크가 하이퍼그래프 NCut에 대해 상수 근사를 제공한다.
• 투영 방법은 각 inH-하이퍼엣지를 그래프 구성요소로 변환하고, 하이퍼엣지 전체에 걸쳐 이를 합산하여 글로벌 그래프를 만들어 표준 도구로 스펙트럴 클러스터링을 가능하게 한다.
• 부분모듈성은 가중치 투영의 실현 가능성과 많은 실용적 경우에 비음수 간선 가중치를 보장한다.
• 가중치가 부분모듈성일 때, 투영 간선 가중치에 대한 명시적 공식을 제공하고 근사 인자에 대한 경계도 제시한다.
• 네트워크 모티프 클러스터링, 랭킹의 구조 학습, 계층적 생물학 네트워크(예: 플로리다만 바다 먹이망)와 같은 응용에서 현저한 성능 향상을 보인다.
• 이 방법은 기존의 여러 하이퍼그래프 클러스터링 방법(예: 균질 NCut, Clique Expansion)을 특수한 경우로 일반화하고 포함한다.