[논문 리뷰] Maximizing Modularity is hard

Ulrik Brandes, Daniel Delling외 5명|ArXiv.org|2006. 08. 25.

Complex Network Analysis Techniques참고 문헌 13인용 수 173

한 줄 요약

이 논문은 네트워크 커뮤니티 탐지에서 모듈라리티를 최대화하는 것이 강한 NP-완전임을 증명한다. 이는 모든 인스턴스에 대해 최적의 해를 보장할 수 있는 다항식 시간 알고리즘이 존재하지 않음을 의미한다. 저자들은 강한 NP-완전인 3-Partition 문제를 모듈라리티 최대화 决定 문제로 감소시켜, 모듈라리티를 통한 최적의 클러스터링이 계산적으로 비가역적임을 보였다. 이는 실무에서 히ュ리스틱 및 근사 알고리즘을 사용할 필요성을 정당화한다.

ABSTRACT

Several algorithms have been proposed to compute partitions of networks into communities that score high on a graph clustering index called modularity. While publications on these algorithms typically contain experimental evaluations to emphasize the plausibility of results, none of these algorithms has been shown to actually compute optimal partitions. We here settle the unknown complexity status of modularity maximization by showing that the corresponding decision version is NP-complete in the strong sense. As a consequence, any efficient, i.e. polynomial-time, algorithm is only heuristic and yields suboptimal partitions on many instances.

연구 동기 및 목표

• 네트워크 클러스터링에서 모듈라리티 최대화의 계산 복잡도에 대한 오랫동안 열려있던 열린 문제를 해결하기 위해.
• 모든 인스턴스에 대해 다항식 시간 알고리즘이 모듈라리티 최대화를 최적해로 해결할 수 있다는 것은 P = NP이어야만 가능함을 입증하기 위해.
• 문제의 비가역성을 증명하여 히ュ리스틱 및 근사 알고리즘의 사용을 정당화하기 위해.
• 문제가 가중치가 있는 그래프로 확장될 경우에도 강한 NP-완전성을 유지함을 보여주어 복잡도 결과를 확장하기 위해.

제안 방법

• 강한 NP-완전인 3-Partition 문제를 모듈라리티 최대화 결정 문제로 감소시켰다.
• 3-Partition 인스턴스 $A$에서 $k$개의 클리크와 분할 값에 따라 연결된 요소 정점들을 사용하여 그래프 $G(A)$를 구성했다.
• 클러스터링이 $Q(\mathcal{C}) \geq K(A)$를 만족할 수 있는지 여부가 $A$가 유효한 3-Partition을 가질 때에만 가능하도록 목표 모듈라리티 임계값 $K(A)$를 정의했다.
• 클러스터 품질을 분석하기 위해 재구성된 모듈라리티 공식 $Q(\mathcal{C}) = \sum_{C \in \mathcal{C}} \left[ \frac{|E(C)|}{m} - \left( \frac{\sum_{v \in C} \deg(v)}{2m} \right)^2 \right]$을 사용했다.
• 최적의 모듈라리티를 위해서는 요소 정점의 차수 분포가 클리크 클러스터 간에 완벽하게 균형을 이뤄야 하며, 이는 3-Partition 인스턴스가 만족 가능할 때에만 가능하다는 것을 증명했다.
• 감소가 의사다항식 시간에 이루어지며, 3-Partition의 강한 NP-완전성에 기반하여 입력 값의 크기와 관계없이 난이도가 유지됨을 보였다.

실험 결과

연구 질문

• RQ1 모듈라리티 최대화 문제는 계산적으로 해결 가능할 수 있는가, 아니면 NP-난이한가?
• RQ2 모든 그래프에 대해 다항식 시간 알고리즘이 최적의 모듈라리티 클러스터링을 보장할 수 있는가?
• RQ3 모듈라리티 최대화의 NP-완전성은 강한 의미에서 성립하는가? 즉, 입력 값이 작을 경우에도 비가역적인가?
• RQ4 이 난이도 결과는 가중치가 있는 그래프로 확장될 수 있는가?
• RQ5 최적의 모듈라리티 클러스터링이 3-Partition 인스턴스를 해결하는 것 외에는 달성될 수 없는 구조적 조건이 존재하는가?

주요 결과

• 모듈라리티 최대화는 강한 NP-완전이므로, P = NP가 아닐 경우 모든 인스턴스에 대해 다항식 시간 알고리즘이 최적해를 보장할 수 없다.
• 3-Partition에서의 감소를 통해 최적의 클러스터링은 요소 정점들이 클리크 클러스터 간에 완벽하게 분할되어야 하며, 이는 3-Partition 인스턴스가 만족 가능할 때에만 가능하다.
• 모듈라리티 $K(A) = \frac{(k-1)(a-1)}{k(a+1)}$를 달성하는 클러스터링이 존재하는 것은 3-Partition 인스턴스가 해를 가질 때에만 가능하다.
• 최적의 모듈라리티 클러스터링은 정확히 $k$개의 클리크 클러스터로 이루어져야 하며, 각 클러스터는 정확히 합이 $b = \frac{1}{k}a$가 되는 요소 정점 집합을 포함하여 균형 잡힌 차수 기여를 보장한다.
• 난이도 결과는 가중치가 있는 그래프로도 확장되며, 비가중치 그래프 경우는 가중치 모듈라리티 문제의 특수한 경우이기 때문이다.
• 모듈라리티 최대화를 위한 기존 알고리즘들, 즉 그레디, 스펙트럴, 시뮬레이티드 어닐링 방법 등은 모두 본질적으로 히ュ리스틱이며, 일부 인스턴스에 대해서는 최적해를 도출하지 못할 수 있다.