[논문 리뷰] Spiking spin-glass models for label propagation and community detection

Kathleen E. Hamilton, Travis S. Humble|arXiv (Cornell University)|2018. 01. 10.

Advanced Memory and Neural Computing인용 수 3

한 줄 요약

이 논문은 스파iking 뉴런의 완전히 연결된 에지 가중치 네트워크를 사용하여 무방향, 무가중치 그래프에서 레이블 전파 및 커뮤니티 탐지에 대한 스파이크 기반 스핀 거품 모델을 제안한다. 이 방법은 스파이크 반응을 이진 신호로 디코딩하고 히브닝 거리 기반 유사도를 계산하며, 사전 훈련 없이 정점들을 커뮤니티로 분류한다. 이는 128개 정점과 다양한 커뮤니티 크기를 가진 그래프에서 효과를 입증한다.

ABSTRACT

In this paper we present results from a method of community detection using label propagation in undirected, unweighted graphs which incorporates elements of neural computing and spike-based data. Using a fully connected, edge-weighted system of spiking neurons driven by external currents, we generate spike responses that are decoded into a binary signal. The similarity between pairs of signals is quantified using a Hamming-distance based metric and is used to classify vertices into communities. We test our approach on a set of graph instances, each with 128 vertices and either homogeneous or heterogeneous community size distributions. We present our method as a candidate for a split-computing workflow that incorporates neuromorphic hardware and does not require extensive pre-training of network parameters.

연구 동기 및 목표

• 스파이킹 신경망 동역학과 뉴모르픽 원리를 활용하여 효율적인 그래프 분석을 위한 커뮤니티 탐지 방법을 개발한다.
• 매개변수 조정이 광범위하게 필요하지 않은, 이질적 또는 동질적 커뮤니티 크기 분포를 가진 그래프에서 커뮤니티 탐지를 해결한다.
• 뉴모르픽 하드웨어 아키텍처와 호환되는 분할 계산 워크플로우로 작동하는 시스템을 설계한다.
• 스파이크 기반 신호 디코딩과 히브닝 거리 기반 유사도를 사용하여 무방향 그래프에서 커뮤니티 분류의 기초로 삼는다.

제안 방법

• 각 정점이 그래프 내에서 하나의 뉴런으로 표현되는 완전히 연결된 에지 가중치 네트워크의 스파이킹 뉴런을 사용한다.
• 외부 전류가 스파이킹 뉴런을 자극하여 네트워크의 동역학에 기반한 시간 시리즈 스파이크 반응을 생성한다.
• 스파이크 반응은 후속 유사도 계산을 위해 이진 신호로 디코딩된다.
• 정점 쌍 간의 유사도는 이진 신호에 적용된 히브닝 거리 기반 메트릭을 통해 정량화된다.
• 유사도 점수가 높은 정점을 기반으로 히브닝 거리에 따라 커뮤니티 분류가 수행된다.
• 이 방법은 매개변수 사전 훈련이 필요 없도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 스파이크 기반 동역학을 가진 스파이킹 신경망 모델이 무방향 그래프에서 커뮤니티 탐지에 대해 효과적으로 레이블 전파를 수행할 수 있는가?
• RQ2 스파이크 반응에서 유도된 히브닝 거리 기반 유사도 메트릭은 기존 커뮤니티 탐지 메트릭과 비교해 정확도와 내성 면에서 어떻게 다른가?
• RQ3 이 방법은 이질적 및 동질적 커뮤니티 크기 분포를 가진 그래프에서 어느 정도 커뮤니티를 탐지할 수 있는가?
• RQ4 제안된 모델은 사전 훈련 없이 뉴모르픽 하드웨어에서 분할 계산 워크플로우로 구현될 수 있는가?

주요 결과

• 매개변수 사전 훈련 없이도 스파이크 반응 동역학과 히브닝 거리 기반 유사도만으로도 정점들이 커뮤니티로 성공적으로 분류된다.
• 이 방법은 128개 정점과 이질적, 동질적 커뮤니티 크기 분포를 가진 그래프 인스턴스에서 뛰어난 성능을 보였다.
• 스파이크 기반 디코딩과 히브닝 거리의 사용은 정점 쌍 간의 효과적인 유사도 정량화를 가능하게 하여 커뮤니티 할당에 기여한다.
• 모델는 뉴모르픽 하드웨어와 호환되며 분할 계산 워크플로우를 지원하여 전통적인 딥 러닝 훈련 파이프라인에 대한 의존도를 감소시킨다.