[논문 리뷰] Local Network Community Detection with Continuous Optimization of Conductance and Weighted Kernel K-Means

Twan van Laarhoven, Elena Marchiori|arXiv (Cornell University)|2016. 01. 21.

Complex Network Analysis Techniques인용 수 29

한 줄 요약

이 논문은 $σ$-conductance라는 정규화된 목적함수를 도입하여 국소적 커뮤니티 탐지의 연속 최적화 프레임워크를 제안한다. 이 목적함수는 도선성과 가중치가 부여된 커널 $k$-평균을 통합한다. PGDc(투영된 경사하강법)와 EMc(기대값 최대화)를 사용하여 $σ$-conductance를 최적화함으로써 높은 품질의 국소적 커뮤니티를 도출하며, 대규모 네트워크에서 기존의 확산 기반 방법에 비해 더 뛰어난 국소성과 정확도를 보여주는 실험 결과를 제시한다.

ABSTRACT

Local network community detection is the task of finding a single community of nodes concentrated around few given seed nodes in a localized way. Conductance is a popular objective function used in many algorithms for local community detection. This paper studies a continuous relaxation of conductance. We show that continuous optimization of this objective still leads to discrete communities. We investigate the relation of conductance with weighted kernel k-means for a single community, which leads to the introduction of a new objective function, $σ$-conductance. Conductance is obtained by setting $σ$ to $0$. Two algorithms, EMc and PGDc, are proposed to locally optimize $σ$-conductance and automatically tune the parameter $σ$. They are based on expectation maximization and projected gradient descent, respectively. We prove locality and give performance guarantees for EMc and PGDc for a class of dense and well separated communities centered around the seeds. Experiments are conducted on networks with ground-truth communities, comparing to state-of-the-art graph diffusion algorithms for conductance optimization. On large graphs, results indicate that EMc and PGDc stay localized and produce communities most similar to the ground, while graph diffusion algorithms generate large communities of lower quality.

연구 동기 및 목표

• 커뮤니티 탐지에서 이산적이고 탐욕적인 국소 최적화의 한계를 해결하기 위해 도선성의 연속적 근사화를 가능하게 한다.
• 단일 커뮤니티($k=1$)에 대해 도선성과 가중치가 부여된 커널 $k$-평균 클러스터링 간의 관계를 수학적으로 정식화한다.
• 도선성과 정규화를 균형 있게 조절함으로써 커뮤니티 품질과 국소성을 향상시키는 새로운 목적함수인 $σ$-conductance를 개발한다.
• 자동 $σ$ 조정과 국소성 보장을 갖춘 $σ$-conductance를 최적화하는 효율적인 알고리즘(PGDc 및 EMc)을 설계한다.
• 연속 최적화가 이산적 고질의 커뮤니티를 도출할 수 있으며, 도선성 전용 방법에서 흔히 발생하는 큰 크기이지만 품질이 낮은 커뮤니티를 피하는 것으로 실험적으로 검증한다.

제안 방법

• 최적화 과정에서 분수형 노드 소속도를 允허하기 위해 도선성의 연속적 근사화를 제안한다.
• $σ$-conductance를 하이브리드 목적함수로 도입하며, $σ$에 의해 제어되는 정규화 항을 포함한 도선성의 조합이다. 이는 $k=1$인 가중치가 부여된 커널 $k$-평균 프레임워크에서 유도된다.
• PGDc는 투영된 경사하강법을 사용하여 $σ$-conductance를 최적화하며, 커뮤니티 밀도에 기반한 적응형 $σ$ 조정을 포함한다.
• EMc는 기대값 최대화 기반 최적화를 통해 $σ$-conductance를 최적화하며, $k$-평균 클러스터링과의 유사성을 활용한다.
• 국소 최적해의 이산성에 대한 증명을 통해 연속적 근사화의 엄밀한 국소 최적해가 이산적 커뮤니티임을 보이며, 실용적 사용 가능성을 보장한다.
• 밀도 기반 기준을 사용하여 $σ$를 동적으로 선택함으로써, 잘 분리된 네트워크 아키텍처에서는 더 작고 조밀한 커뮤니티를 선호한다.

실험 결과

연구 질문

• RQ1 도선성의 연속적 근사화는 분수형 소속도 없이도 이산적 고질의 커뮤니티를 도출할 수 있는가?
• RQ2 단일 커뮤니티 탐지에서 도선성과 가중치가 부여된 커널 $k$-평균 간의 관계는 어떠한가?
• RQ3 도선성과 정규화를 균형 있게 조절하는 새로운 목적함수인 $σ$-conductance가 국소성과 커뮤니티 품질을 향상시킬 수 있는가?
• RQ4 PGDc와 EMc는 대규모 네트워크에서 기존의 확산 기반 방법에 비해 국소성과 진짜 커뮤니티와의 유사도 면에서 뛰어나게 성능을 내는가?
• RQ5 파arameter $σ$는 최적화 과정의 국소 최적해의 수와 품질에 어떤 영향을 미치는가?

주요 결과

• 도선성의 연속적 근사화의 엄밀한 국소 최적해는 거의 항상 이산적 커뮤니티이며, 이는 연속 최적화를 직접적으로 이산 결과에 적용할 수 있음을 의미한다.
• 제안된 $σ$-conductance 목적함수를 통해 커뮤니티 밀도 기반으로 $σ$를 자동 조정할 수 있으며, $σ > 2$일 경우 모든 이산적 커뮤니티가 국소 최적해가 된다.
• 대규모 네트워크에서 PGDc와 EMc는 최신의 확산 알고리즘보다 더 국소화된 커뮤니티를 생성하며, 진짜 커뮤니티와의 유사도가 높다.
• 표준 도선성($σ = 0$)을 최적화할 경우, PGDc와 EMc는 도선성 전용 방법에서 흔히 발생하는 높은 도선성과 낮은 진짜 커뮤니티 일치도를 가진 너무 큰 커뮤니티를 생성하는 문제를 피한다.
• PGDc와 EMc는 C++ 기반의 확산 방법(예: HK, PPR)보다 약 4배에서 20배 정도 느리지만, 이는 뛰어난 커뮤니티 품질과 국소성로 상쇄된다.
• 진짜 커뮤니티 상위 5000개만을 대상으로 한 실험에서, PGDc-0와 EMc-0는 $σ$ 조정 버전을 초월하여 성능이 뛰어나며, 이는 진짜 커뮤니티가 조밀하고 작을 경우 $σ=0$이 최적임을 확인한다.