[논문 리뷰] Null Models and Community Detection in Multi-Layer Networks

Subhadeep Paul, Yuguo Chen|arXiv (Cornell University)|2016. 08. 01.

Complex Network Analysis Techniques참고 문헌 40인용 수 10

한 줄 요약

이 논문은 다층 네트워크의 공동 구조를 일관적으로 추정할 수 있도록 다층 확장된 Chung-Lu 기대 차수 모형을 기반으로 한 새로운 영가 모형을 제안한다. 이 모형은 모듈성과 모형 우도를 통한 공동 구조 탐지에 기여한다. 계층별 및 노드별 매개변수에 대한 추정기법을 도입하고, 그 일관성을 증명하며, 데이터 기반으로 최적의 영가 모형을 선택하기 위한 가설 검정 프레임워크를 제공한다. 이는 시뮬레이션 및 실제 다층 네트워크에서 공동 구조 탐지 성능을 크게 향상시킨다.

ABSTRACT

Multi-layer networks are networks on a set of entities (nodes) with multiple types of relations (edges) among them where each type of relation/interaction is represented as a network layer. As with single layer networks, community detection is an important task in multi-layer networks. A large group of popular community detection methods in networks are based on optimizing a quality function known as the modularity score, which is a measure of presence of modules or communities in networks. Hence a first step in community detection is defining a suitable modularity score that is appropriate for the network in question. Here we introduce several multi-layer network modularity measures under different null models of the network, motivated by empirical observations in networks from a diverse field of applications. In particular we define the multi-layer configuration model, the multi-layer expected degree model and their various modifications as null models for multi-layer networks to derive different modularities. The proposed modularities are grouped into two categories. The first category, which is based on degree corrected multi-layer stochastic block model, has the multi-layer expected degree model as their null model. The second category, which is based on multi-layer extensions of Newman-Girvan modularity, has the multi-layer configuration model as their null model. These measures are then optimized to detect the optimal community assignment of nodes. We compare the effectiveness of the measures in community detection in simulated networks and then apply them to four real networks.

연구 동기 및 목표

• 다양한 유형의 관계가 동일한 노드 집합에서 공존하는 다층 네트워크에서 공동 구조 탐지에 대한 원칙적인 영가 모형의 부족을 해결하기 위해.
• 계층별 및 노드별 차수 구조를 고려한 영가 모형으로서 Chung-Lu 기대 차수 모형의 다층 변형을 개발하기 위해.
• 희박한 네트워크 조건 하에서 모형 매개변수(노드 차수 및 계층 가중치)에 대한 일관된 추정기법을 제공하기 위해.
• 데이터 기반으로 가장 적합한 영가 모형을 선택하기 위한 가설 검정 절차를 도입하기 위해.
• 모듈성과 모형 우도 기반의 품질 함수가 시뮬레이션 및 실제 다층 네트워크에서 공동 구조 탐지 성능을 평가하고 비교하기 위해.

제안 방법

• 노드의 다중 계층에서의 차수와 계층별 간선 밀도를 모두 고려하여 Chung-Lu 기대 차수 모형을 다층화함으로써 다층 영가 모형을 제안한다.
• 최대우도 원리에 기반하여 노드별 매개변수(θ_i)와 계층별 스케일링 매개변수(β_m)에 대한 추정기법을 유도한다.
• 희박한 네트워크 조건 하에서 추정기법의 일관성을 증명하며, 네트워크 크기가 증가함에 따라 추정 차수 값이 진짜 기대 차수 값으로 수렴함을 보여준다.
• 농도 부등식(Hoeffding's inequality)을 적용하여 추정 차수와 기대값 간의 편차를 제한함으로써 확률적 수렴을 확립한다.
• 다양한 영가 모형 가정을 비교하고 주어진 데이터셋에 가장 적합한 모형을 선택하기 위한 가설 검정 프레임워크를 개발한다.
• 선택된 영가 모형을 기반으로 공동 구조 탐지용 모듈성 점수와 모형 우도 기반의 품질 함수를 정의한다.

실험 결과

연구 질문

• RQ1 다양한 계층에서의 현실적인 차수 분포를 반영할 수 있도록 다층 네트워크의 영가 모형을 어떻게 설계할 수 있는가?
• RQ2 희박한 네트워크 조건 하에서 다층 기대 차수 모형의 매개변수 추정기법의 일관성 특성은 무엇인가?
• RQ3 주어진 다층 네트워크에 대해 가장 적합한 영가 모형을 선택하기 위한 가설 검정 절차는 어떻게 구성할 수 있는가?
• RQ4 모듈성과 모형 우도 기반의 품질 함수는 다층 네트워크에서 공동 구조 탐지에 있어 어떻게 비교되는가?
• RQ5 모형 잘못 설정이 다층 네트워크에서 공동 구조 탐지 성능에 미치는 영향은 무엇인가?

주요 결과

• 노드 차수(θ̂_i)와 계층 가중치(β̂_m)에 대한 제안된 추정기법은 일관성이 있으며, 네트워크 크기가 증가함에 따라 추정값과 진짜 값 간의 차이가 확률적으로 0으로 수렴한다.
• 정규화된 차수 추정기 ∑ₘk_i^(m)/√(2L)는 ∑ₘκ_i^(m)/√(2ℒ)로 확률적으로 수렴함을 보여주며, 이는 희박한 네트워크에서도 안정적인 추정을 가능하게 한다.
• 시뮬레이션 데이터에서 가설 검정 절차는 정확한 영가 모형 구조를 성공적으로 식별하였으며, 네트워크 크기가 증가함에 따라 제1종 오류 및 제2종 오류 비율이 감소한다.
• 실제 다층 네트워크(예: Twitter, C. elegans)에서 제안된 모듈성 및 우도 기반 방법은 기준 방법보다 의미 있는 공동 구조 탐지 성능을 뛰어나게 한다.
• SD 모형의 우도 방정식 오차는 O(M)이며, ID 모형의 경우 O(√(log N / N))이므로, 표준 희박성 가정 하에서 ID 모형이 더 작은 추정 편향을 가진다.
• 모형 우도 기반의 품질 함수는 단순한 계층별 모듈성 집계 방법에 비해, 계층 연결성이 이질적인 네트워크에서 공동 구조 탐지 성능이 뛰어나게 나타난다.