[논문 리뷰] The Hyperspherical Geometry of Community Detection: Modularity as a Distance

Martijn Gösgens, Remco van der Hofstad외 1명|TU/e Research Portal|2021. 07. 06.

Complex Network Analysis Techniques참고 문헌 25인용 수 6

한 줄 요약

이 논문은 커뮤니티 탐지에 대한 초구형 기하학을 도입하여, 모듈러리티 최적화를 초구면 상의 모듈러리티 벡터로의 각거리 최소화 문제로 재정의한다. 커뮤니티 탐지는 네트워크를 초구면 점으로 매핑하고, 이를 클러스터링 벡터로 투영하는 두 단계로 구성되는 방법으로 재정의되며, 이는 모듈러리티의 기하학적 해석을 제공하고, 해상도 한계를 해결하며, 기존의 모듈러리티 기반 방법에 의존하지 않는 새로운 방법들을 가능하게 하여 실제 네트워크에서 기존 방법들을 능가하는 성능을 보인다.

ABSTRACT

We introduce a metric space of clusterings, where clusterings are described by a binary vector indexed by the vertex-pairs. We extend this geometry to a hypersphere and prove that maximizing modularity is equivalent to minimizing the angular distance to some modularity vector over the set of clustering vectors. In that sense, modularity-based community detection methods can be seen as a subclass of a more general class of projection methods, which we define as the community detection methods that adhere to the following two-step procedure: first, mapping the network to a point on the hypersphere; second, projecting this point to the set of clustering vectors. We show that this class of projection methods contains many interesting community detection methods. Many of these new methods cannot be described in terms of null models and resolution parameters, as is customary for modularity-based methods. We provide a new characterization of such methods in terms of meridians and latitudes of the hypersphere. In addition, by relating the modularity resolution parameter to the latitude of the corresponding modularity vector, we obtain a new interpretation of the resolution limit that modularity maximization is known to suffer from.

연구 동기 및 목표

• 클러스터링의 초구형 임bedding을 사용한 커뮤니티 탐지의 기하학적 프레임워크를 개발하기 위해.
• 모듈러리티 최적화를 초구면 상의 모듈러리티 벡터로의 각거리 최소화 문제로 재해석하기 위해.
• 모듈러리티 기반 방법을 더 넓은 범주인 투영 기반 커뮤니티 탐지 기법으로 일반화하기 위해.
• 모듈러리티 최적화에서의 해상도 한계에 대한 새로운 기하학적 설명을 제공하기 위해.
• 모듈러리티 모델이나 해상도 파라미터에 의존하지 않는 새로운 커뮤니티 탐지 방법을 설계하고 평가하기 위해.

제안 방법

• 각 클러스터링을 정점 쌍으로 인덱싱된 이진 벡터로 표현하고, 이를 거리 공간에 임베딩하기 위해.
• 클러스터링 공간을 초구면으로 확장하여, 각거리 계산과 같은 기하 연산을 가능하게 하기 위해.
• 모듈러리티 벡터를 초구면 상의 점으로 정의하고, 그 위도가 해상도 파라미터를 표현하도록 하기 위해.
• 모듈러리티 최적화를 네트워크의 쿼리 벡터와 모듈러리티 벡터 사이의 각거리 최소화 문제로 재구성하기 위해.
• 네트워크를 초구면 상의 점으로 매핑한 후, 가장 가까운 클러스터링 벡터로 투영하는 일반적인 '투영 방법' 클래스를 도입하기 위해.
• 기하학적 불변성과 편향 없는 평가를 가능하게 하기 위해, 상관계수의 arc cosine를 활용한 상관계수 거리(상관계수 거리)를 주요 평가 지표로 사용하기 위해.

Figure 3 : Heatmap of the correlation between the ground truth and the candidate clusterings for the Karate network. We take query vectors from the meridians that $\left(\bm{q}_{M}^{\textrm{CM}}(G;\gamma)\right)_{\gamma\in[-1.5,2]}$ runs through and vary the query latitude between $\tfrac{1}{3}\pi$

실험 결과

연구 질문

• RQ1 초구형 임베딩을 통해 커뮤니티 탐지를 기하학적 관점에서 어떻게 재정의할 수 있는가?
• RQ2 모듈러리티 최적화는 초구면 상의 모듈러리티 벡터로의 각거리 최소화 문제로 동일하게 재구성될 수 있는가?
• RQ3 모듈러리티를 null 모델이나 해상도 파라미터를 넘어서 일반화함으로써 어떤 새로운 커뮤니티 탐지 방법이 도출되는가?
• RQ4 기하학적 프레임워크는 모듈러리티 기반 방법에서의 해상도 한계를 어떻게 설명하는가?
• RQ5 모듈러리티에 의존하지 않는 투영 기반 방법이 실제 세계 네트워크에서 기존 방법들을 능가할 수 있는가?

주요 결과

• 모듈러리티 최적화는 초구면 상의 네트워크 쿼리 벡터와 모듈러리티 벡터 사이의 각거리 최소화와 기하학적으로 동치이다.
• 모듈러리티의 해상도 한계는 초구면 상의 모듈러리티 벡터의 위도와 관련된 기하학적 제약으로 재해석된다.
• 제안된 투영 방법 클래스는 모듈러리티 기반 탐지 방법을 일반화하며, null 모델이나 해상도 파라미터로 기술할 수 없는 방법들을 포함한다.
• 가중치 벡터 w(G) 기반의 새로운 투영 방법들은 카라테, 돌핀, 정치 블로깅과 같은 실제 네트워크에서 표준 모듈러리티와 루바인 알고리즘을 능가한다.
• 상관계수 거리는 상관계수의 arc cosine에서 유도되며, 클러스터링의 세분성에 관계없이 불변하고 편향 없는 강력한 평가 지표로 기능한다.
• 루바인 알고리즘은 초구면 상의 근사 최근접 이웃 투영으로 해석되며, 이는 고급 근사 최근접 이웃 알고리즘을 활용한 향상 가능성을 시사한다.

Figure 4 : Heatmap of the correlation between the ground truth and the candidate clusterings for the Football network. We take query vectors from the meridians that $\left(\bm{q}_{M}^{\textrm{CM}}(G;\gamma)\right)_{\gamma\in[-1,14]}$ runs through. The horizontal coordinates are given by $\textrm{sgn