[논문 리뷰] On comparing clusterings: an element-centric framework unifies overlaps and hierarchy

Alexander J. Gates, Ian B. Wood외 2명|arXiv (Cornell University)|2017. 06. 19.

Complex Network Analysis Techniques인용 수 7

한 줄 요약

이 논문은 군집 중심 측정 방식에 의존하지 않고, 요소의 군집 소속 관계를 평가함으로써 상이한, 겹치는, 계층적인 군집화를 통합적으로 비교할 수 있는 요소 중심 프레임워크를 제안한다. 이전 방법들과 달리, 이 프레임워크는 심각한 편향을 제거하고 미세한 구조적 차이를 드러내어 fMRI 뇌 네트워크와 페이스북 사회 네트워크에서 새로운 통찰을 가능하게 한다.

ABSTRACT

Clustering is one of the most universal approaches for understanding complex data. A pivotal aspect of clustering analysis is quantitatively comparing clusterings; clustering comparison is the basis for tasks such as clustering evaluation, consensus clustering, and tracking the temporal evolution of clusters. For example, the extrinsic evaluation of clustering methods requires comparing the uncovered clusterings to planted clusterings or known metadata. Yet, as we demonstrate, existing clustering comparison measures have critical biases which un- dermine their usefulness, and no measure accommodates both overlapping and hierarchical clusterings. Here we unify the comparison of disjoint, overlapping, and hierarchically struc- tured clusterings by proposing a new element-centric framework: elements are compared based on the relationships induced by the cluster structure, as opposed to the traditional cluster-centric philosophy. We demonstrate that, in contrast to standard clustering simi- larity measures, our framework does not suffer from critical biases and naturally provides unique insights into how the clusterings differ. We illustrate the strengths of our framework by revealing new insights into the organization of clusters in two applications: the improved classification of schizophrenia based on the overlapping and hierarchical community struc- ture of fMRI brain networks, and the disentanglement of various social homophily factors in Facebook social networks. The universality of clustering suggests far-reaching impact of our framework throughout all areas of science.

연구 동기 및 목표

• 이산, 겹치는, 계층적 군집화를 통합적으로 비교할 수 있는 프레임워크의 부재를 해결한다.
• 기존 군집 비교 측정 방법에 내재된 심각한 편향을 특정하여 그 신뢰성과 해석 가능성에 미치는 영향를 규명한다.
• 군집의 구조에 의해 유도되는 요소 수준의 관계를 기반으로 군집화를 평가하는 방법을 개발한다.
• 군집 평가, 공통 군집화, 시간에 따른 추적과 같은 응용 분야에서 보다 정확하고 통찰력 있는 비교를 가능하게 한다.
• 다양한 과학 분야에 적용 가능한 보편적인 도구를 제공하여 복잡한 데이터 구조의 이해를 향상시킨다.

제안 방법

• 군집 간 직접 비교가 아니라 요소 간 관계를 기반으로 유사도를 평가하는 요소 중심 접근 방식을 제안한다.
• 군집 소속을 이용해 요소 간 관계를 정의함으로써 공유 및 포함된 소속을 통해 겹침과 계층성을 포착한다.
• 요소 수준 비교를 집계하는 유사도 측정법을 구성하여 다양한 군집 유형 간 구조적 뉘앙스를 유지한다.
• 이 프레임워크를 사용해 이산성 또는 사이클성 없이도 쌍별 군집 유사도를 계산할 수 있다.
• 겹치는 공동체 또는 계층적 포함 구조와 같은 군집 조직의 미세한 차이를 탐지할 수 있다.
• 실세계 데이터, 즉 fMRI 뇌 네트워크와 페이스북 사회 네트워크에 프레임워크를 적용하여 그 유용성을 검증한다.

실험 결과

연구 질문

• RQ1 이산, 겹치는, 계층적 군집화 간의 군집 비교를 어떻게 통합할 수 있는가?
• RQ2 伝통적인 군집 중심 군집 비교 측정 방법에 내재된 편향은 무엇인가?
• RQ3 요소 중심 프레임워크는 기존 방법으로는 탐지할 수 없는 구조적 차이를 드러낼 수 있는가?
• RQ4 제안된 프레임워크는 뇌과학 및 사회 네트워크 분석에서 복잡한 데이터 구조 분석을 어떻게 향상시키는가?
• RQ5 이 프레임워크는 실세계 응용 분야에서 군집 결과의 해석을 어느 정도 향상시킬 수 있는가?

주요 결과

• 제안된 요소 중심 프레임워크는 기존 군집 비교 측정 방법에 내재된 심각한 편향을 제거한다.
• 이 프레임워크는 구조적 가정 없이도 겹치는 군집화와 계층적 군집화를 자연스럽게 수용한다.
• 군집 수준의 일치가 아니라 요소 수준의 관계 분석을 통해 군집의 구조적 특성을 독창적으로 드러낸다.
• fMRI 뇌 네트워크에서, 이 프레임워크는 겹치는 공동체 및 계층적 공동체 구조를 기반으로 정밀한 정신분열병 분류를 드러냈다.
• 페이스북 사회 네트워크에서, 이 프레임워크는 미세한 공동체 관계를 포착함으로써 다수의 동질성 요인을 분리해내는 데 기여했다.
• 이 프레임워크는 다양한 군집 유형을 처리하는 데 있어 보편성 덕분에 다양한 과학 분야에 광범위하게 적용 가능함을 입증했다.