[논문 리뷰] Spectral clustering in the dynamic stochastic block model

Marianna Pensky, Teng Zhang|arXiv (Cornell University)|2017. 05. 02.

Complex Network Analysis Techniques참고 문헌 37인용 수 5

한 줄 요약

이 논문은 시간에 따라 변화하는 네트워크 구조를 스무딩된 간선 확률을 통해 추정하고 스펙트럴 클러스터링을 적용하여 노드 클러스터링을 수행하는 동적 스토케스틱 블록 모형(DSBM)을 위한 스펙트럴 클러스터링 방법을 제안한다. 비점근적 오차 한계를 확보하며, 알려지지 않은 스무딩 정도, 스위칭 속도 및 클러스터 수에 적응 가능하다.

ABSTRACT

In the present paper, we studied a Dynamic Stochastic Block Model (DSBM) under the assumptions that the connection probabilities, as functions of time, are smooth and that at most $s$ nodes can switch their class memberships between two consecutive time points. We estimate the edge probability tensor by a kernel-type procedure and extract the group memberships of the nodes by spectral clustering. The procedure is computationally viable, adaptive to the unknown smoothness of the functional connection probabilities, to the rate $s$ of membership switching and to the unknown number of clusters. In addition, it is accompanied by non-asymptotic guarantees for the precision of estimation and clustering.

연구 동기 및 목표

• 동적 네트워크에 대한 계산적으로 효율적이고 적응형인 스펙트럴 클러스터링 절차를 개발하기 위해.
• 다중 시간 포인트에 걸쳐 커널 스무딩을 통해 시간에 따라 변화하는 간선 확률을 추정하기 위해.
• 연결 확률의 스무딩 정도와 클러스터 간 전환 속도가 알려지지 않은 상황에서도 노드 그룹 소속을 복원하기 위해.
• 클러스터링 및 추정 정확도에 대한 비점근적 이론적 보장을 제공하기 위해.
• 모르고 있는 클러스터 수, 네트워크의 희박성 및 스무딩 정도에 적응 가능하도록 하기 위해.

제안 방법

• 시간에 따라 간선 확률 텐서를 시간 연속성에 기반한 커널 유형 스무딩 절차를 통해 추정한다.
• 스무딩된 인접행렬에 스펙트럴 클러스터링을 적용하여 각 시간 포인트에서의 노드 그룹 소속을 복원한다.
• 시간적 국소 이웃 영역에서 인접행렬을 평균화하기 위해 커널 가중치 체계를 도입하여 추정 안정성을 향상시킨다.
• 스펙트럴 클러스터링 단계에서 추정 오차를 제한하기 위해 비점근적 농도 부등식(예: 보조정리 9)을 통합한다.
• 모르고 있는 스무딩 정도와 스위칭 속도를 고려해 데이터 기반 기준을 활용해 대역폭 및 클러스터 파라미터를 적응적으로 선택한다.
• 모든 노드에 걸쳐 높은 확률로 정확한 클러스터링을 보장하기 위해 유니온 바운드와 尾확률 경계를 활용한다.

실험 결과

연구 질문

• RQ1 스펙트럴 클러스터링은 시간에 따라 변화하는 연결 확률 하에서 DSBM에 적응하여 정확한 노드 클러스터링을 달성할 수 있는가?
• RQ2 연결 확률의 시간적 스무딩 정도는 어떻게 활용되어 추정 및 클러스터링 정확도를 향상시킬 수 있는가?
• RQ3 이 방법은 알려지지 않은 스무딩 정도, 알려지지 않은 스위칭 속도 및 알려지지 않은 클러스터 수에 얼마나 잘 적응할 수 있는가?
• RQ4 DSBM에서 클러스터링 및 추정 절차에 대해 어떤 비점근적 오차 한계를 설정할 수 있는가?
• RQ5 소수의 노드가 시간 포인트 간에 커뮤니티를 전환하더라도 이 방법은 높은 클러스터링 정확도를 유지할 수 있는가?

주요 결과

• 제안된 방법은 연결 확률의 스무딩 정도와 스위칭 속도 $ s $ 에 따라 비점근적 클러스터링 오차 한계를 확보한다.
• 스펙트럴 클러스터링 절차는 간선 확률 함수의 알려지지 않은 스무딩 정도와 노드 소속 전환 속도 $ s $ 에 대해 적응 가능하다.
• 간선 확률 텐서의 추정 오차에 대해 높은 확률 경계를 제공하며, 정규성 조건 하에서 오차는 $ O(\sqrt{\frac{\log n}{n}}) $ 로 감소한다.
• 스펙트럴 클러스터링 단계에서 $ K $ 의 사전 지식이 필요하지 않기 때문에 알려지지 않은 클러스터 수에 대해 강건하다.
• 비점근적 농도 부등식을 통해 이항 랜덤 변수의 가중합에 대한 이론적 보장을 확립하였으며, 尾확률 경계는 $ \ln t $ 와 $ W_{\max} $ 를 포함한다.
• 적절한 커널 대역폭 및 네트워크 크기 조건 하에서 클러스터링 오차율은 $ O(n^{-\tau}) $ 으로 스케일링된다. 여기서 $ \tau > 0 $ 이다.