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

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

Complex Network Analysis Techniques인용 수 12

한 줄 요약

이 논문은 다층 네트워크에서 커뮤니티 탐지에 대한 새로운 모듈러리티 측정법을 제안하며, 맞춤형(null) 모델—다층 구조화 모형 및 기대 차수 모형—을 도입하여 최적화를 통해 향상된 탐지를 가능하게 한다. 시뮬레이션 및 실제 네트워크에서 뛰어난 성능을 보이며, 특히 이질적인 계층 간 상호작용을 잘 포착하는 데 유리하다.

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 계층 간 구조적 이질성을 고려하지 못하는 기존의 다층 네트워크를 위한 원칙적인 모듈러리티 측정법의 부족을 해결하기 위해.
• 다층 시스템에서의 실제 네트워크 생성 과정을 반영하는 null 모델을 개발하기 위해.
• 이러한 null 모델 하에서 모듈러리티 점수를 최적화하여 의미 있는 커뮤니티 구조를 탐지하기 위해.
• 다양한 합성 및 실제 다층 네트워크에서 제안된 모듈러리티의 성능을 평가하기 위해.

제안 방법

• 모듈러리티 최적화를 위한 null 모델로 다층 구조화 모형을 제안하며, 뉴먼-지르반 프레임워크를 다층 환경으로 확장한다.
• 도수 이질성에 대응하기 위한 대안적 null 모델로 다층 기대 차수 모형을 도입한다.
• 두 유형의 모듈러리티 측정법을 유도한다: 기대 차수 null 모델을 사용한 도수 보정된 스토케스틱 블록 모형 기반 측정법과, 구조화 모델 null 모델을 사용한 확장된 뉴먼-지르반 모듈러리티 기반 측정법.
• 표준 커뮤니티 탐지 알고리즘을 사용하여 제안된 모듈러리티를 최적화하여 최적의 노드 할당을 식별한다.
• 희박하고 이질적인 네트워크 계층을 처리하기 위해 null 모델에 수정을 가한다.
• 통제된 조건에서 모듈러리티의 민감도와 정확도를 검증하기 위해 시뮬레이션 네트워크를 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 null 모델을 다층 네트워크에 적응시켜 커뮤니티 탐지에서 원칙적인 기준을 제공할 수 있는가?
• RQ2 구조화 모델과 기대 차수 모델 중 어느 null 모델이 이질적인 계층 구조를 가진 다층 네트워크에서 더 강력한 커뮤니티 탐지를 이끌어내는가?
• RQ3 알려진 진짜 커뮤니티 구조를 가진 합성 네트워크에서 제안된 모듈러리티 측정법의 성능은 어떻게 비교되는가?
• RQ4 제안된 모듈러리티는 계층 간 상호작용이 크게 다른 실제 다층 네트워크에서 의미 있는 커뮤니티를 탐지할 수 있는가?

주요 결과

• 높은 도수 이질성이 있는 네트워크에서 다층 기대 차수 모형 기반으로 제안된 모듈러리티 측정법이 구조화 모형 기반 측정법보다 뛰어난 성능을 보였다.
• 모듈러리티 측정법은 특히 계층 간 연결 패턴이 다양할 경우 시뮬레이션된 다층 네트워크에서 알려진 커뮤니티 구조를 효과적으로 탐지하였다.
• 이 방법은 사회 네트워크와 단백질-단백질 상호작용 네트워크를 포함한 네 가지 실제 다층 네트워크에서 생물학적·사회적으로 의미 있는 커뮤니티를 성공적으로 식별하였다.
• 도수 보정된 null 모델의 사용은 커뮤니티 탐지에서 가짜 양성 결과를 줄여 모듈러리티 최적화를 향상시켰다.
• 제안된 프레임워크는 다양한 네트워크 구조와 계층 상호작용 패턴에 대해 뛰어난 내성성을 보였다.
• 유도된 모듈러리티의 최적화를 통해 합성 및 실질 데이터에서 일관되고 해석 가능한 커뮤니티 할당이 이루어졌다.