[논문 리뷰] Sparse Popularity Adjusted Stochastic Block Model

Majid Noroozi, Marianna Pensky외 1명|arXiv (Cornell University)|2019. 10. 03.

Complex Network Analysis Techniques참고 문헌 38인용 수 8

한 줄 요약

이 논문은 특정 상호 블록 연결 확률이 정확히 0이 되는 동안 다른 확률은 0에서 멀리 떨어져 있도록 허용함으로써 구조적 희소성을 가능하게 하는 새로운 블록 모델인 희소 인기도 조정 스토케스틱 블록 모델(SP-ABM)을 소개한다. 노드별 인기도 벡터와 유연한 행렬 분해를 활용하여, 희소 네트워크 조건 하에서도 일致성 있는 커뮤니티 탐지가 가능하며, 블록에 따라 다를 수 있는 희소성 패턴이 존재할 경우에도 클러스터링 정확도에 이론적 보장을 제공한다.

ABSTRACT

In the present paper we study a sparse stochastic network enabled with a block structure. The popular Stochastic Block Model (SBM) and the Degree Corrected Block Model (DCBM) address sparsity by placing an upper bound on the maximum probability of connections between any pair of nodes. As a result, sparsity describes only the behavior of network as a whole, without distinguishing between the block-dependent sparsity patterns. To the best of our knowledge, the recently introduced Popularity Adjusted Block Model (PABM) is the only block model that allows to introduce a {\it structural sparsity} where some probabilities of connections are identically equal to zero while the rest of them remain above a certain threshold. The latter presents a more nuanced view of the network.

연구 동기 및 목표

• 기존의 SBM 및 DCBM와 같은 블록 모델이 일부 상호 커뮤니티 연결 확률이 정확히 0이 되는 블록 특화 희소성 패턴을 포착하지 못하는 한계를 해결하기 위해.
• 희소성 패턴이 블록 쌍에 따라 다를 수 있는, 균일하지 않은 네트워크 전반에 걸쳐 구조적 희소성을 허용하는 모델을 개발하기 위해.
• 특히 희소성이 전역적 성질이 아니라 커뮤니티 간으로 다양하게 나타나는 경우에도, 희소 네트워크 조건 하에서 커뮤니티 탐지의 일관성을 확립하기 위해.
• 실제 네트워크 구조(예: 허브와 고립된 그룹 포함)를 반영하는 희소성 제약 조건을 통합함으로써 PABM을 일반화하기 위해.

제안 방법

• 노드별 인기도 벡터 Λ^(k,l)를 정의하여 PABM의 희소 확장판을 제안함으로써, 블록 간 연결 확률 P^(k,l) = Λ^(k,l) (Λ^(l,k))^T로 표현함으로써 유연하고 블록 기반의 희소성을 가능하게 한다.
• 특정 인기도 벡터의 항목을 0으로 설정함으로써 구조적 희소성을 도입하여, 특정 노드-블록 쌍 간의 연결 확률이 0이 되도록 유도한다.
• 확률 행렬 P를 각 커뮤니티 간의 외적 곱으로 정의된 랭크-1 블록들의 합으로 표현하기 위해 행렬 분해 방법을 사용한다.
• 하나의 하위행렬의 고유값을 유계로 제한하고, 추정된 확률 행렬의 프로베니우스 노름 및 연산자 노름에 대한 집중 부등식을 유도하기 위해 Interlacing 정리를 적용한다.
• 진짜 및 추정된 확률 행렬을 비교하기 위해 편미분 분석 프레임워크를 활용하며, 스펙트럼 노름 및 프로베니우스 노름 비교를 통해 클러스터링 오차의 경계를 유도한다.
• 희소 제약 조건 하에서 진짜 및 추정된 확률 행렬 간의 차이를 분석함으로써 비점근적 오차 경계를 유도한다.

실험 결과

연구 질문

• RQ1 일부 상호 커뮤니티 연결 확률이 정확히 0이 되고 다른 확률은 0에서 멀리 떨어져 있을 수 있는, 블록 특화 희소성 패턴을 포착할 수 있는 스토케스틱 블록 모델을 설계할 수 있는가?
• RQ2 PABM 프레임워크에 노드별 인기도 벡터를 포함시키는 것이, 식별성이나 추정 일관성의 손실 없이도 구조적 희소성을 가능하게 하는가?
• RQ3 희소성 패턴이 커뮤니티 간으로 균일하지 않은 희소 네트워크에서 커뮤니티 탐지가 일관성을 유지할 수 있는 이론적 조건은 무엇인가?
• RQ4 구조적 희소성이 존재하는 상황에서 추정된 확률 행렬의 스펙트럼 노름과 프로베니우스 노름은 클러스터링 오차와 어떻게 관련이 있는가?

주요 결과

• SP-ABM 모델은 구조적 희소성 하에서도 일관된 커뮤니티 탐지를 달성하며, 인기도 벡터와 희소성 매개변수에 적절한 조건이 만족될 경우 클러스터링 오차가 O(1/n)로 감소함을 보였다.
• 확률 행렬 P의 프로베니우스 노름은 a²n² 비례하는 항으로 유계가 되며, 여기서 a는 기본 연결 확률이고 n은 노드 수이다.
• 모델는 하위행렬 H_k의 최상위 두 고유값이 블록 간 연결 확률의 합과 곱을 포함하는 표현식으로 아래에서 유계가 되며, 이는 스펙트럼 분리 가능성을 보장한다.
• 분석 결과, 진짜 및 추정된 확률 행렬 간의 차이는 αₙ‖P‖²_F로 제어되며, n이 증가함에 따라 αₙ → 0이 되므로 수렴이 보장된다.
• 핵심 부등식 Δ_D + Δ_ND ≥ ˜λ²_{2,1} + ˜λ²_{2,2} − αₙ‖P‖²_F는 클러스터링 오차가 변형된 하위행렬의 두 번째 고유값에 의해 지배되며, 모델 가정 하에서 이 고유값은 0에서 멀리 떨어져 있음을 보여준다.