[논문 리뷰] Multi-level algorithms for modularity clustering

Andreas Noack, Randolf Rotta|ArXiv.org|2008. 12. 22.

Complex Network Analysis Techniques참고 문헌 28인용 수 8

한 줄 요약

이 논문은 유의미성 기반 단계적 탐욕적 압축과 다단계 정련을 조합하여 기존 휴리스틱보다 뛰어난 성능을 보이는 모듈러리티 클러스터링을 위한 다단계 알고리즘을 제안한다. 간단한 압축 기준과 다단계 정련이 모듈러리티 향상과 효율성 향상에 크게 기여하며, 품질과 속도 면에서 최신 기술과 경쟁 가능한 성능을 보인다.

ABSTRACT

Modularity is one of the most widely used quality measures for graph clusterings. Maximizing modularity is NP-hard, and the runtime of exact algorithms is prohibitive for large graphs. A simple and effective class of heuristics coarsens the graph by iteratively merging clusters (starting from singletons), and optionally refines the resulting clustering by iteratively moving individual vertices between clusters. Several heuristics of this type have been proposed in the literature, but little is known about their relative performance. This paper experimentally compares existing and new coarsening- and refinement-based heuristics with respect to their effectiveness (achieved modularity) and efficiency (runtime). Concerning coarsening, it turns out that the most widely used criterion for merging clusters (modularity increase) is outperformed by other simple criteria, and that a recent algorithm by Schuetz and Caflisch is no improvement over simple greedy coarsening for these criteria. Concerning refinement, a new multi-level algorithm is shown to produce significantly better clusterings than conventional single-level algorithms. A comparison with published benchmark results and algorithm implementations shows that combinations of coarsening and multi-level refinement are competitive with the best algorithms in the literature.

연구 동기 및 목표

• 모듈러리티 클러스터링에서 다양한 압축 및 정련 휴리스틱의 모듈러리티 품질과 계산 효율성 측면에서 평가 및 비교하기 위해.
• 특히 널리 사용되거나 복잡한 휴리스틱과 대비하여 압축 및 정련 과정 내에서 열등한 설계 선택을 식별하기 위해.
• 간단하고 효율적인 압축과 다단계 정련의 조합이 더 복잡하고 파rameter 조정이 필요한 알고리즘의 성능을 따라하거나 능가할 수 있음을 보여주기 위해.
• 공개된 구현체와 벤치마크 결과를 포괄적으로 비교하여 제안된 접근의 실용적 의의를 검증하기 위해.

제안 방법

• 모듈러리티 증가 기반 병합 방식보다 우수한 성능을 보이는 '유의미성' 기반의 새로운 압축 전략을 제안한다.
• 압축된 계층의 여러 수준에서 정련을 적용하는 다단계 정련 알고리즘을 도입하여 국소 탐색의 효과를 향상시킨다.
• 비교를 위해 단일 수준 정련 기반선을 사용하며, 모듈러리티를 극대화하기 위해 탐욕적 정점 재할당을 적용한다.
• 압축 비율, 병합 우선순위 기준, 정련 알고리즘, 감소 요소의 네 가지 차원으로 구성된 체계적 설계 공간을 사용한다.
• 빠른 탐욕, Schuetz와 Caflisch의 다단계, Wakita와 Tsurumi의 방법을 포함한 압축 및 정련 휴리스틱의 조합을 활용하여 비교 평가를 수행한다.
• 일致한 실험 조건에서 공개된 알고리즘을 재현하고 벤치마크하여 공정한 비교를 보장한다.

실험 결과

연구 질문

• RQ1 유의미성 기반 압축이 최종 모듈러리티와 런타임 측면에서 모듈러리티 증가 기반 병합보다 뛰어나나?
• RQ2 단일 수준 정련에 비해 다단계 정련이 클러스터링 품질 향상에 뚜렷한 기여를 하는가?
• RQ3 압축 및 정련 휴리스틱의 조합이 모듈러리티와 효율성 측면에서 최신 기술과 어떻게 비교되는가?
• RQ4 제안된 SS-Sig+ML 휴리스틱이 공개된 구현체와 비교해 모듈러리티와 속도 면에서 경쟁 가능한가?
• RQ5 정련의 성능이 압축 알고리즘의 선택에 의존하는가?

주요 결과

• 단일 단계 탐욕적 압축(유의미성 기반, SS-Sig)은 모듈러리티 증가 기반 병합 방식보다 일관되게 뛰어나며, 더 효율적이다.
• 다단계 정련(ML)은 단일 수준 정련에 비해 모듈러리티 향상에 뚜렷한 기여를 하며, 심지어 단순한 압축과 조합해도 성능 향상이 뚜렷하다.
• 제안된 SS-Sig+ML 휴리스틱은 Blondel 등과 Reichardt 및 Bornholdt의 최고 수준의 구현체를 초월하는 높은 모듈러리티를 달성하며, 후자보다 더 빠른 속도를 보인다.
• SS-Sig+ML 휴리스틱은 파rameter 조정이 필요한 복잡한 다단계 알고리즘인 Schuetz와 Caflisch의 알고리즘보다도 모듈러리티와 런타임 면에서 뛰어나며, 파rameter 조정이 필요로 하지 않는다.
• 더 단순한 SS-Sig+SL 변종조차도 경쟁 가능한 성능을 보이며, 다단계 정련이 성능 향상의 핵심 요소임을 시사한다.
• 이 연구는 다단계 정련이 모듈러리티 클러스터링에 매우 효과적임을 확인한다. 이는 이전에 최소 컷 문제에 대해 확인된 바 있으나, 아직 모듈러리티에 적용된 바가 없었다.