[논문 리뷰] Provable Overlapping Community Detection in Weighted Graphs

Jimit Majmudar, Stephen A. Vavasis|arXiv (Cornell University)|2020. 04. 01.

Complex Network Analysis Techniques인용 수 1

한 줄 요약

이 논문은 순수 노드 가정을 필요로 하지 않는 가중치가 부여된 그래프에서 겹치는 커뮤니티 탐지에 대한 볼록 최적화 기반 방법을 제안한다. 이는 어떤 노드도 유일하게 한 커뮤니티에 속하지 않는 경우에도 증명 가능한 겹치는 커뮤니티 탐지를 가능하게 한다. 이 방법은 이론적 보장을 보장하기 위해 볼록 완화를 활용하며, 합성 및 실세계 네트워크에서 뛰어난 성능을 보인다.

ABSTRACT

Community detection is a widely-studied unsupervised learning problem in which the task is to group similar entities together based on observed pairwise entity interactions. This problem has applications in diverse domains such as social network analysis and computational biology. There is a significant amount of literature studying this problem under the assumption that the communities do not overlap. When the communities are allowed to overlap, often a pure nodes assumption is made, i.e. each community has a node that belongs exclusively to that community. This assumption, however, may not always be satisfied in practice. In this paper, we provide a provable method to detect overlapping communities in weighted graphs without explicitly making the pure nodes assumption. Moreover, contrary to most existing algorithms, our approach is based on convex optimization, for which many useful theoretical properties are already known. We demonstrate the success of our algorithm on artificial and real-world datasets.

연구 동기 및 목표

• 기존의 겹치는 커뮤니티 탐지 방법이 순수 노드 가정에 의존하는 한계를 해결하기 위해.
• 가중치가 부여된 그래프에서 볼록 최적화를 사용하여 이론적으로 탄탄한 겹치는 커뮤니티 탐지 방법을 개발하기 위해.
• 노드가 유일하게 한 커뮤니티에 속해 있음을 요구하지 않고도 증명 가능한 겹치는 커뮤니티 탐지를 가능하게 하기 위해.
• 실제 네트워크 조건에서의 강건성과 이론적 보장을 향상시키기 위해.

제안 방법

• 이 방법은 가중치가 부여된 그래프 표현 위에서 겹치는 커뮤니티 탐지를 볼록 최적화 문제로 공식화한다.
• 비볼록 조합 최적화 문제의 완화를 통해 이론적 분석과 효율적 계산을 가능하게 한다.
• 최적화 프레임워크는 노드 가중치와 간선 가중치를 통합하여 커뮤니티 소속 관계와 상호작용 강도를 모델링한다.
• 해결책은 겹치는 커뮤니티의 핵심 구조적 성질을 유지하는 볼록 완화를 통해 유도된다.
• 순수 노드 식별이 필요 없기 때문에, 이러한 노드가 존재하지 않는 네트워크에도 적용 가능하다.

실험 결과

연구 질문

• RQ1 순수 노드의 존재를 가정하지 않고도 가중치가 부여된 그래프에서 겹치는 커뮤니티 탐지를 달성할 수 있는가?
• RQ2 볼록 최적화 프레임워크가 겹치는 커뮤니티 탐지에 대해 증명 가능한 보장을 제공할 수 있는가?
• RQ3 제안된 방법의 성능은 합성 및 실세계 네트워크에서 기존 방법들과 비교해 어떻게 되는가?
• RQ4 다양한 네트워크 구조와 가중치 분포 조건 하에서 이 방법의 이론적 강건성은 어떠한가?

주요 결과

• 제안된 방법은 순수 노드 가정 없이도 가중치가 부여된 그래프에서 겹치는 커뮤니티를 성공적으로 탐지한다.
• 볼록 최적화 공식화는 커뮤니티 탐지의 이론적 보장과 안정성을 보장한다.
• 이 방법은 인위적 데이터셋과 실세계 데이터셋 양쪽에서 뛰어난 성능을 보이며, 실용적 적용 가능성을 확인한다.
• 이 방법은 이전 방법의 핵심 한계인 순수 노드의 부재에도 강건하다.