[논문 리뷰] Unifying Sparsest Cut, Cluster Deletion, and Modularity Clustering Objectives with Correlation Clustering

Nate Veldt, David F. Gleich외 1명|arXiv (Cornell University)|2017. 12. 15.

Complex Network Analysis Techniques참고 문헌 19인용 수 8

한 줄 요약

이 논문은 해상도 파라미터 λ를 통해 희소 컷, 클러스터 삭제, 모듈래리티 목적함수를 통합하는 새로운 그래프 클러스터링 프레임워크인 LambdaCC를 소개한다. 특수 가중치를 부여한 상관관계 클러스터링 목적함수를 최적화함으로써 LambdaCC는 클러스터 삭제 문제에 대해 2-근사값을 제공하며, λ가 증가함에 따라 희소 컷과 조밀한 부분그래프 탐지 사이를 보간한다. 이는 이론적 보장과 실세계 네트워크에서의 향상된 실용적 성능을 제공한다.

ABSTRACT

Graph clustering, or community detection, is the task of identifying groups of closely related objects in a large network. In this paper we introduce a new community-detection framework called LambdaCC that is based on a specially weighted version of correlation clustering. A key component in our methodology is a clustering resolution parameter, $λ$, which implicitly controls the size and structure of clusters formed by our framework. We show that, by increasing this parameter, our objective effectively interpolates between two different strategies in graph clustering: finding a sparse cut and forming dense subgraphs. Our methodology unifies and generalizes a number of other important clustering quality functions including modularity, sparsest cut, and cluster deletion, and places them all within the context of an optimization problem that has been well studied from the perspective of approximation algorithms. Our approach is particularly relevant in the regime of finding dense clusters, as it leads to a 2-approximation for the cluster deletion problem. We use our approach to cluster several graphs, including large collaboration networks and social networks.

연구 동기 및 목표

• 희소 컷, 클러스터 삭제, 모듈래리티와 같은 서로 다른 그래프 클러스터링 목적함수를 하나의 일관된 프레임워크로 통합하기.
• 증명 가능한 근사 보장을 갖춘 클러스터링 방법을 개발하여, 기존의 모듈래리티나 안정성과 같은 목적함수에서 이러한 결과가 부족한 문제를 해결하기.
• 클러스터의 세분성과 구조를 제어하는 해상도 파라미터 λ를 도입하여, 희소 컷과 조밀한 부분그래프 탐지 사이를 보간 가능하게 하기.
• 새로운 목적함수를 최적화하기 위한 확장 가능한 실용적 알고리즘을 제공하며, 반드시 함께 클러스터링하거나 분리해야 하는 제약 조건(Must-link, Cannot-link)을 포함한 확장도 제공하기.
• 실세계 네트워크, 특히 사회적 및 협업 그래프에서 프레임워크의 효과성을 입증하기. 이는 메타데이터와의 높은 일치도를 보여야 한다.

제안 방법

• 부호가 있는 네트워크에 특화된 가중치가 부여된 상관관계 클러스터링 공식을 제안하며, 간선 가중치는 유사도 또는 이질성을 반영한다.
• 해상도 파라미터 λ를 도입하여, 외부 클러스터 컷 최소화와 내부 클러스터 조밀도 최대화 사이의 트레이드오프를 제어한다.
• 노드의 차수와 클러스터 조밀도에서 유도된 간선 가중치를 사용한 상관관계 클러스터링 문제로 목적함수를 공식화함으로써 이론적 분석을 가능하게 한다.
• λ ≥ 1/2일 경우 3-근사 알고리즘을 설계하고, 클러스터 삭제 문제(λ = 1)에 대해 2-근사로 개선함으로써 이전 결과를 초월한다.
• 대규모 그래프에서의 확장 가능한 최적화를 위해 그리디 국소 탐색 및 차수 가중 루바인 스타일 휴리스틱을 구현한다.
• 도메인 특화의 클러스터링 응용을 지원하기 위해 제약 조건(Must-cluster, Cannot-cluster)을 프레임워크에 통합한다.

실험 결과

연구 질문

• RQ1 일관된 조정 가능한 파라미터를 통해 희소 컷, 클러스터 삭제, 모듈래리티 목적함수를 하나의 클러스터링 목적함수로 통합할 수 있는가?
• RQ2 해상도 파라미터 λ가 클러스터링에서 희소 컷과 조밀한 부분그래프 사이의 트레이드오프에 어떻게 영향을 미치는가?
• RQ3 상관관계 클러스터링이 클러스터 삭제 및 기타 그래프 클러스터링 목적함수에 대해 증명 가능한 근사 보장을 제공하도록 어떻게 적응시킬 수 있는가?
• RQ4 LambdaCC의 실증적 성능은 알려진 커뮤니티 구조나 메타데이터를 가진 실세계 네트워크에서 어떻게 나타나는가?
• RQ5 부서 소속 등의 외부 메타데이터와 일치시키기 위해 해상도 파라미터 λ를 어떻게 선택할 수 있는가?

주요 결과

• LambdaCC는 작은 λ일 경우 희소 컷 목적함수로, 큰 λ일 경우 클러스터 삭제 문제로 보간되며, λ가 클러스터의 세분성과 구조를 제어한다.
• 프레임워크는 클러스터 삭제 문제에 대해 2-근사값을 달성하여 이전 최선의 근사 인자인 3을 초월한다.
• λ = 10⁻⁴일 때, Lambda-Louvain은 이메일-EU 네트워크에서 Adjusted Rand Index(ARI = 0.587)를 기록하여 Metis, Graclus, Louvain, InfoMap을 모두 능가한다.
• λ = 10⁻⁴일 때 Lambda-Louvain가 생성한 클러스터의 스케일드 정규화 컷 점수는 λ 이하로 제한되며, 이는 λ가 클러스터 품질에 대한 이론적 상한선임을 검증한다.
• 이 방법은 협업 네트워크에서 조밀한 커뮤니티를 성공적으로 탐지하고, 사회 네트워크에서 메타데이터와 잘 일치시켜 실용적 유용성을 입증한다.
• 이론적 분석을 통해 λ가 형성된 임의의 클러스터의 스케일드 정규화 컷에 대한 상한선임이 확인되었으며, 이는 파rameter 선택을 체계적으로 수행할 수 있게 한다.