[논문 리뷰] Temporal Clustering in Dynamic Networks with Tensor Decomposition

Kun Tu, Bruno Ribeiro외 2명|arXiv (Cornell University)|2016. 05. 25.

Tensor decomposition and applications참고 문헌 28인용 수 7

한 줄 요약

이 논문은 PARAFAC 분해를 사용하여 변화하는 공동체를 모델링하는 텐서 분해 기반의 시간적 클러스터링 프레임워크를 제안한다. 학습된 생성 모델에 K-means를 적용하여 클러스터를 식별하고, 실루엣 기준을 사용하여 클러스터를 순위 매긴다. 또한 분할 알고리즘을 통해 공동체 수명 주기를 탐지한다. 이 방법은 클러스터링 정확도와 수명 주기 탐지에서 최신 기술보다 뛰어나며, 희박하고 변화하는 네트워크에서 특히 우수한 성능을 보인다.

ABSTRACT

Dynamic networks are increasingly being usedd to model real world datasets. A challenging task in their analysis is to detect and characterize clusters. It is useful for analyzing real-world data such as detecting evolving communities in networks. We propose a temporal clustering framework based on a set of network generative models to address this problem. We use PARAFAC decomposition to learn network models from datasets.We then use $K$-means for clustering, the Silhouette criterion to determine the number of clusters, and a similarity score to order the clusters and retain the significant ones. In order to address the time-dependent aspect of these clusters, we propose a segmentation algorithm to detect their formations, dissolutions and lifetimes. Synthetic networks with ground truth and real-world datasets are used to test our method against state-of-the-art, and the results show that our method has better performance in clustering and lifetime detection than previous methods.

연구 동기 및 목표

• 시간에 따라 변화하는 네트워크에서 진화하는 공동체를 탐지하는 과제를 해결한다.
• 희박한 네트워크에서 실패하고 겹치는 소속을 모델링할 수 없는 局소 유사도 기반 클러스터링 방법의 한계를 극복한다.
• 해당 공동체의 잠재적 구조와 해석 가능한 시간 역학을 학습하기 위해 텐서 분해를 사용한 글로벌 모델링 접근법을 제공한다.
• 분할 알고리즘을 통해 공동체의 형성, 해체 및 수명 주기를 정확하게 탐지할 수 있도록 한다.
• 특히 희박한 네트워크 조건에서 기존 방법보다 클러스터링 성능과 수명 주기 탐지 성능을 향상시킨다.

제안 방법

• 동적 네트워크를 노드 × 노드 × 시간의 세 모드 텐서로 모델링하고, 공동체를 나타내는 저랭크 성분을 학습하기 위해 PARAFAC 분해를 적용한다.
• PARAFAC의 로딩 벡터를 사용하여 각 공동체의 노드 소속 및 시간적 활동 패턴을 추출한다.
• 분해된 성분에 K-means 클러스터링을 적용하여 시간에 따라 유사한 공동체 패턴을 그룹화한다.
• 실루엣 기준을 사용하여 클러스터를 순위 매겨 최적의 클러스터 수를 결정하고 유의미한 클러스터만 유지한다.
• 각 클러스터의 시간적 로딩 벡터에서 시계열 신호 λ(r)(t)를 구성하여 형성 및 해체 이벤트를 탐지한다.
• 시간에 따라 변화하는 임계값 전략을 사용하여 시간적 활동 프로파일 기반으로 공동체 수명 주기를 탐지하기 위한 임계값 기반 방법을 적용한다.

실험 결과

연구 질문

• RQ1 글로벌 생성 모델링 접근법을 사용하여 시간에 따라 변화하는 공동체를 효과적으로 모델링할 수 있는가?
• RQ2 동적 네트워크에서 최적의 클러스터 수는 무엇이며, 이를 자동으로 결정할 수 있는가?
• RQ3 시간에 따라 변화하는 네트워크에서 공동체의 형성, 해체 및 수명 주기를 정확하게 탐지할 수 있는가?
• RQ4 합성 및 실세계 데이터에서 최신 기술과의 비교 성능은 어떻게 되는가?
• RQ5 텐서 분해의 랭크 R이 클러스터 탐지 및 공동체의 해석 가능성에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 지표가 있는 합성 네트워크에서 최신 기술보다 높은 F1 스코어를 달성한다.
• Lakehurst 데이터셋에서는 명확한 시간 패턴(주간 및 연간 주기 포함)을 보이는 14개의 구분 가능한 공동체를 성공적으로 식별한다.
• Enron 이메일 데이터셋에서는 이해할 수 있는 시간적 행동을 보이는 15개의 의미 있는 공동체를 탐지한다. 예를 들어, 공동체 11은 2000년에 피크에 도달하고, 공동체 14는 강한 주간 패턴을 보인다.
• 희박한 네트워크 조건에서 유사도 기반 방법이 실패하는 상황에서도 기준 방법보다 수명 주기 탐지 성능이 뛰어나다.
• 텐서 랭크 R이 너무 낮을 경우(예: R=4), 여러 개의 서로 다른 공동체가 하나의 성분으로 통합되어 탐지 정확도가 떨어진다.
• 클러스터 노름 비율 W와 노드 유사도 Xijk는 함께 분해 결과에 영향을 미친다. W > 1.06일 경우, 한 클러스터가 성분을 지배하고 다른 클러스터는 효과적으로 제거된다.