[논문 리뷰] Modular Networks for Validating Community Detection Algorithms

Justin Fagnan, Afra Abnar외 2명|arXiv (Cornell University)|2018. 01. 04.

Complex Network Analysis Techniques참고 문헌 36인용 수 5

한 줄 요약

이 논문은 공동체 탐지 알고리즘을 검증하기 위해 현실적이고 내재된 모듈성 구조를 가진 네트워크를 생성하는 새로운 모듈식 네트워크 생성기인 FARZ를 소개한다. 직관적이고 조절 가능한 파rameter를 사용하여 공동체 구조를 바탕으로부터 모델링함으로써, FARZ는 현실적인 도수 분포, 군집성, 공동체 크기의 이질성을 갖는 네트워크를 생성한다. 이는 LFR와 같은 기존 벤치마크보다 정밀도와 유연성에서 뛰어나며, 더 현실적인 조건에서 알고리즘 순위가 다를 수 있음을 드러낸다.

ABSTRACT

How can we accurately compare different community detection algorithms? These algorithms cluster nodes in a given network, and their performance is often validated on benchmark networks with explicit ground-truth communities. Given the lack of cluster labels in real-world networks, a model that generates realistic networks is required for accurate evaluation of these algorithm. In this paper, we present a simple, intuitive, and flexible benchmark generator to generate intrinsically modular networks for community validation. We show how the generated networks closely comply with the characteristics observed for real networks; whereas their characteristics could be directly controlled to match wide range of real world networks. We further show how common community detection algorithms rank differently when being evaluated on these benchmarks compared to current available alternatives.

연구 동기 및 목표

• 기존의 공동체 탐지 벤치마크, 예를 들어 LFR와 GN이 실제 네트워크의 핵심 구조적 특성을 재현하지 못하는 한계를 해결하기 위해.
• 실제 네트워크에서 관찰되는 내재된 모듈성 구조를 반영하는 더 현실적이고 융통성 있는 벤치마크 생성기를 개발하기 위해.
• 통제된 현실적인 특성을 갖는 네트워크를 생성함으로써 공동체 탐지 알고리즘의 정확하고 체계적인 평가를 가능하게 하기 위해.
• FARZ에서 평가할 경우 기존의 벤치마크, 예를 들어 LFR와 비교했을 때 알고리즘 성능 순위가 어떻게 다를 수 있는지 보여주기 위해.

제안 방법

• FARZ는 사용자가 지정한 파rameter에 따라 공동체를 먼저 정의함으로써 공동체 구조를 처음부터 통합적으로 설계하며, 이를 후속에 덧씌우는 방식이 아님.
• 네트워크 규모와 밀도를 제어하기 위해 세 가지 핵심 입력 파rameter인 n(노드 수), m(평균 도수의 반), k(공동체 수)를 사용함.
• 네 가지 직관적인 제어 파rameter인 β(공동체 강도), α(군집 계수), γ(도수 상관관계), φ(공동체 크기 분포)가 네트워크 특성을 직접 조절함.
• 모서리가 공동체 소속과 선호적 연결 원칙에 기반하여 형성되어 현실적인 도수 분포와 높은 전이성(transitivity)을 보장함.
• LFR와 달리 후처리 리와이어링을 방지하여 자연스러운 네트워크 진화 패턴을 유지함.
• 다양한 실제 네트워크 특성을 반영하기 위해 파라미터를 조절함으로써 광범위한 실험 설정을 지원함.

실험 결과

연구 질문

• RQ1 LFR와 GN과 같은 기존의 벤치마크 생성기는 실제 네트워크의 핵심 구조적 특성을 얼마나 잘 반영하지 못하는가?
• RQ2 LFR의 개선된 버전이 현실적인 모듈성 네트워크를 생성하는 데 내재된 한계를 얼마나 극복할 수 있는가?
• RQ3 공동체 구조를 자연스럽게 통합하고 현실적인 위상적 특성을 갖는 네트워크를 생성할 수 있는 새로운 벤치마크 생성기를 설계할 수 있는가?
• RQ4 FARZ에서 평가할 경우 기존의 벤치마크와 비교했을 때 공동체 탐지 알고리즘이 어떻게 다른 순위를 보이는가?

주요 결과

• FARZ는 현실적인 네트워크 특성, 즉 힘의 법칙 도수 분포, 높은 군집 계수, 이질적인 공동체 크기를 매우 잘 반영하여 생성함.
• LFR가 전이성 조정을 위해 후행 리와이어를 사용하는 데 반해, FARZ는 공동체 기반 간선 형성 과정을 통해 본질적으로 높은 군집성을 생성함.
• β, α, γ, φ와 같은 직관적인 파라미터의 사용은 네트워크 구조에 정밀하고 의미 있는 제어를 가능하게 하여 다양한 현실적인 실험 설정을 가능하게 함.
• FARZ에서 평가했을 때 공동체 탐지 알고리즘의 성능 순위가 LFR와 다를 수 있음을 확인함으로써, 벤치마크 선택이 알고리즘 평가에 상당한 영향을 미칠 수 있음을 시사함.
• 네트워크 성장 요인을 직접 파라미터화함으로써 BTER와 스 tochastic Kronecker 그래프와 같은 기존 모델보다 더 높은 융통성과 표현력을 갖춘다.