[논문 리뷰] MOG: Mapper on Graphs for Relationship Preserving Clustering

Mustafa Hajij, Bei Wang외 1명|arXiv (Cornell University)|2018. 04. 03.

Topological and Geometric Data Analysis참고 문헌 68인용 수 3

한 줄 요약

이 논문은 노드 속성과 구조적 관계를 모두 유지하면서 복잡한 그래프를 요약하는 토폴로지적 데이터 분석 방법인 MOG(Mapper on Graphs)를 제안한다. 커스터마이즈된 필터 함수와 상호작용 가능한 커버 인터페이스를 사용해 그래프 데이터에 머신러닝 알고리즘을 적용함으로써, 해석 가능하고 관계를 유지하는 클러스터 그래프를 생성하며, 시뮬레이션 및 실세계 사례 연구를 통해 검증된다.

ABSTRACT

The interconnected nature of graphs often results in difficult to interpret clutter. Typically techniques focus on either decluttering by clustering nodes with similar properties or grouping edges with similar relationship. We propose using mapper, a powerful topological data analysis tool, to summarize the structure of a graph in a way that both clusters data with similar properties and preserves relationships. Typically, mapper operates on a given data by utilizing a scalar function defined on every point in the data and a cover for scalar function codomain. The output of mapper is a graph that summarize the shape of the space. In this paper, we outline how to use this mapper construction on an input graphs, outline three filter functions that capture important structures of the input graph, and provide an interface for interactively modifying the cover. To validate our approach, we conduct several case studies on synthetic and real world data sets and demonstrate how our method can give meaningful summaries for graphs with various complexities

연구 동기 및 목표

• 복잡하고 혼잡한 그래프를 이해하기 쉽게 요약하여 노드 유사성과 간선 관계를 모두 유지하는 데 도전하는 것.
• 원래 점군 데이터를 대상으로 설계된 머신러닝 알고리즘을 그래프 구조 데이터에 적합한 프레임워크로 적응시키는 것.
• 입력 그래프의 구조적 및 토폴로지적 특징을 포괄하는 의미 있는 필터 함수를 정의하여 효과적인 클러스터링과 시각화를 가능하게 하는 것.
• 스칼라 함수의 공역에 대한 커버를 사용자 정의할 수 있는 상호작용 인터페이스를 제공하여 그래프 구조의 다양한 추상화를 탐색할 수 있도록 하는 것.
• 다양한 데이터셋에서 접근법을 검증하여, 다양한 복잡도를 지닌 그래프의 요약에 있어 그 유용성을 입증하는 것.

제안 방법

• 각 노드에 스칼라 함수(필터 함수)를 정의하여 그래프 데이터에 머신러닝 알고리즘을 적용함으로써, 분석에 적합한 토폴로지 공간으로 변환하는 것.
• 입력 그래프의 다양한 구조적 특성을 포착하기 위해 도시 기반, 중심성 기반, 랜덤 워크 기반의 세 가지 별도의 필터 함수를 설계하는 것.
• 스칼라 함수의 공역에 커버를 구성하여 머신러닝 알고리즘이 데이터를 겹치는 영역으로 분할하고 클러스터링할 수 있도록 하는 것.
• 원래 그래프의 노드 집합을 클러스터로 표현하는 요약 그래프(mapper 그래프)를 생성하며, 이는 클러스터 간의 겹침을 엣지로 표현하여 관계 구조를 유지하는 것.
• 사용자가 커버 파rameter를 조정할 수 있는 상호작용 인터페이스를 도입하여, 다양한 구조적 추상화를 동적 탐색할 수 있도록 하는 것.
• 토모로지적 데이터 분석 원칙을 활용하여 출력 그래프가 원래 그래프의 기저 구조와 연결성을 반영하도록 보장하는 것.

실험 결과

연구 질문

• RQ1 노드 속성과 노드 간 관계를 모두 유지하면서 그래프 구조 데이터를 효과적으로 요약하기 위해 머신러닝 알고리즘을 어떻게 적응시킬 수 있는가?
• RQ2 복잡한 그래프의 주요 구조적 특징을 잘 포착할 수 있는 필터 함수는 무엇인가?
• RQ3 상호작용 가능한 커버 수정이 결과적인 머신러닝 그래프의 해석 가능성과 유용성에 어느 정도 기여하는가?
• RQ4 MOG는 다양한 복잡도를 지닌 그래프, 특히 시뮬레이션 및 실세계 데이터셋에서 어떻게 요약 성능을 발휘하는가?
• RQ5 머신러닝 기반 요약 그래프는 원래 그래프에 존재하는 의미 있는 토폴로지적 및 관계 패턴을 유지할 수 있는가?

주요 결과

• MOG는 토폴로지 클러스터링과 그래프 구조 인식을 융합하여 복잡한 그래프에 대해 이해하기 쉬우면서도 관계를 유지하는 요약을 성공적으로 생성한다.
• 도시 기반, 중심성 기반, 랜덤 워크 기반의 세 가지 제안된 필터 함수는 그래프 토폴로지의 서로 다른 측면을 효과적으로 드러내어 다양한 구조적 통찰을 가능하게 한다.
• 상호작용 가능한 커버 수정은 동일한 그래프에 대한 여러 추상화를 탐색할 수 있도록 하여 숨겨진 구조적 패턴을 드러내고 해석 가능성을 향상시킨다.
• 시뮬레이션 및 실세계 데이터셋에 대한 사례 연구를 통해 MOG가 고복잡도 그래프에서도 의미 있고 안정된 클러스터링을 생성하는 것으로 입증되었다.
• 머신러닝 기반 요약 그래프는 원래 그래프의 핵심 연결성과 구조를 유지하여, 그 유용성이 토폴로지적 요약 도구로서 입증되었다.
• 특히 밀도가 높거나 계층적인 구조를 지닌 그래프에서는 전통적인 클러스터링 방법보다 관계적 맥락을 더 잘 유지하는 것으로 나타났다.