[논문 리뷰] Nonparametric Bayesian models of hierarchical structure in complex networks

Mikkel N. Schmidt, Tue Herlau외 1명|arXiv (Cornell University)|2013. 11. 05.

Complex Network Analysis Techniques참고 문헌 31인용 수 5

한 줄 요약

이 논문은 복잡한 네트워크의 다중 척도 커뮤니티 구조를 포착하기 위해 게바스 분할 수형 우선사전을 사용하는 비모수 베이지안 계층적 네트워크 모델을 제안한다. 모델은 고정된 클러스터 수를 가정하지 않고 계층적 조직을 추론하며, 예측 성능에서 최신 기술을 능가하고 합성 및 실세계 네트워크(뇌 연결성 데이터 포함)에서 중첩된 구조를 탐지한다.

ABSTRACT

Analyzing and understanding the structure of complex relational data is important in many applications including analysis of the connectivity in the human brain. Such networks can have prominent patterns on different scales, calling for a hierarchically structured model. We propose two non-parametric Bayesian hierarchical network models based on Gibbs fragmentation tree priors, and demonstrate their ability to capture nested patterns in simulated networks. On real networks we demonstrate detection of hierarchical structure and show predictive performance on par with the state of the art. We envision that our methods can be employed in exploratory analysis of large scale complex networks for example to model human brain connectivity.

연구 동기 및 목표

• 복잡한 네트워크에서 계층적 커뮤니티 구조를 모델링하기 위한 탄력적이고 비모수적 베이지안 프레임워크를 개발하는 것.
• 기존 계층적 클러스터링의 한계, 즉 고정된 이진 수형과 임의의 분할 수를 해결하는 것.
• 데이터 기반으로 계층 수준의 수를 자동으로 추론하고 계층적 구조를 지원하는 것.
• 모델 점검, 누락 데이터 보정, 확장 가능한 추론을 지원하는 생성 모델을 제공하는 것.
• 실세계 네트워크, 특히 인간 뇌 연결성 데이터에서 계층적 구조가 존재하는지 테스트하는 것.

제안 방법

• 다중분열 수형에 대한 우선사전으로 게바스 분할 수형 프로세스를 사용하여 네트워크 노드의 계층적 군집을 표현한다.
• 독립된 그룹 상호작용을 가진 비통합 모델과 그룹 간 공유 상호작용 파라미터를 가진 통합 모델을 제안한다.
• 무한, 교환 가능, 일致한 네트워크 확장을 허용하기 위해 베이지안 비모수적 접근을 적용한다.
• 수형 구조와 파라미터 추론을 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용하며, 하위수형 간 병렬 처리 가능성이 있다.
• 교환 가능성과 사영 성질을 활용하여 다양한 크기의 네트워크에서 추론을 지원한다.
• 링크 예측 및 구조 탐지 성능 평가를 위해 예측 가능도와 AUC 점수를 사용한다.

실험 결과

연구 질문

• RQ1 게바스 분할 수형을 기반으로 하는 비모수 베이지안 모델은 복잡한 네트워크에서 계층적 커뮤니티 구조를 효과적으로 탐지할 수 있는가?
• RQ2 제안된 모델의 성능은 링크 예측 및 구조 탐지에서 무한 상관계모델(IRM)과 같은 최신 기술 모델보다 어떻게 비교되는가?
• RQ3 66개 케라미컬 영역에서 구성된 인간 뇌 연결성 네트워크는 탐지 가능한 계층적 모듈 구조를 보이는가?
• RQ4 사전 지정 없이도 모델이 계층 수준의 수를 자동으로 추론할 수 있는가?
• RQ5 비통합 모델과 통합 모델은 다중 척도 네트워크 조직을 어떻게 다를까?

주요 결과

• 모델은 중첩된 커뮤니티 패턴을 가진 시뮬레이션 네트워크에서 진짜 계층적 구조를 성공적으로 복원한다.
• 실세계 네트워크에서 계층적 모델은 IRM이 이러한 클러스터를 잡음으로 간주하는 것보다 더 세밀한 구조를 탐지한다.
• 비통합 모델은 링크 예측 작업에서 IRM 모델과 비슷한 예측 성능을 달성한다.
• 66개 케라미컬 영역에서 구성된 인간 뇌 연결성 네트워크는 계층적 구조에 강한 증거를 보이지 않으며, 이는 해상도가 낮기 때문일 수 있다.
• 통합 모델은 피험자 간 일관된 추론을 보였으며, 내부 스캔 시 AUC 점수는 0.78, 스캔 간 AUC 점수는 0.75였다.
• 데이터가 계층을 지지하지 않을 경우 모델은 자연스럽게 비계층 형태로 축소되어 탄력성과 일致성의 타당성을 입증한다.