[논문 리뷰] A Spectral Algorithm with Additive Clustering for the Recovery of Overlapping Communities in Networks

Emilie Kaufmann, Thomas Bonald외 1명|arXiv (Cornell University)|2015. 06. 12.

Complex Network Analysis Techniques참고 문헌 39인용 수 9

한 줄 요약

이 논문은 인접행렬의 스펙트럴 임bedding와 추가적 군집화 단계를 조합함으로써 겹치는 커뮤니티를 회복하는 스펙트럴 알고리즘인 SAAC을 제안한다. 스토케스틱 블록모델의 겹침(SBMO) 하에서 커뮤니티 수에 대한 사전 지식이 필요 없이 일致성을 확보하며, 시뮬레이션 및 실제 네트워크에서 기존 방법들을 능가한다.

ABSTRACT

This paper presents a novel spectral algorithm with additive clustering designed to identify overlapping communities in networks. The algorithm is based on geometric properties of the spectrum of the expected adjacency matrix in a random graph model that we call stochastic blockmodel with overlap (SBMO). An adaptive version of the algorithm, that does not require the knowledge of the number of hidden communities, is proved to be consistent under the SBMO when the degrees in the graph are (slightly more than) logarithmic. The algorithm is shown to perform well on simulated data and on real-world graphs with known overlapping communities.

연구 동기 및 목표

• 사회, 생물학적 네트워크 및 공동 저자 네트워크에서 흔한 겹치는 커뮤니티 탐지를 다루는 것.
• 겹침이 존재할 경우 기존의 비겹침 커뮤니티 탐지 방법이 원래 커뮤니티를 회복하지 못하는 한계를 극복하는 것.
• 커뮤니티 수에 대한 사전 지식이 필요 없고, SBMO 모델 하에서 일치성을 보장하는 스펙트럴 알고리즘을 개발하는 것.
• 각 커뮤니티가 순수 노드의 양적 비율을 가지며, 최소 기대 차수(예상 차수)가 네트워크 크기의 로그 수준일 경우, SBMO 하에서 커뮤니티 복구에 대한 이론적 보장을 제공하는 것.
• 기존 방법들과 비교해 시뮬레이션 및 실제 데이터에서 뛰어난 성능을 보이며, 새로운 사전 처리 히우리스틱을 포함한 것.

제안 방법

• 주요 고유벡터를 기반으로 노드를 저차원 공간으로 사영하는 인접행렬의 스펙트럴 임베딩을 사용한다.
• 임bed딩된 공간에서 커뮤니티 소속을 추가 기여로 모델링하는 추가 군집화 단계를 적용하여 겹치는 커뮤니티 탐지를 가능하게 한다.
• SBMO 모델에서 소속 행렬 Z를 추정하는 문제로 커뮤니티 탐지 문제를 공식화하며, 각 노드가 이진 소속 벡터를 통해 여러 커뮤니티에 소속될 수 있도록 한다.
• SBMO의 추가 구조를 활용해, 임베딩된 벡터에서 직접 겹치는 커뮤니티를 복구할 수 있는 군집화 절차를 설계한다.
• 데이터 기반 접근을 통해 사전 지식 없이 커뮤니티 수(ˆK)를 추정하는 적응형 알고리즘 버전을 도입한다.
• 실제 Z와의 비교를 위해 추정된 소속 행렬 ˆZ의 평가 및 최적화에 프로베니우스 노름과 순열 불변 메트릭을 사용한다.

실험 결과

연구 질문

• RQ1 스펙트럴 알고리즘이 커뮤니티 수에 대한 사전 지식 없이도 네트워크에서 겹치는 커뮤니티를 회복할 수 있는가?
• RQ2 SBMO 모델의 추가 구조를 활용하면 일관되고 정확한 커뮤니티 탐지가 가능한가?
• RQ3 겹침이 존재하거나 희박한 네트워크에서 SAAC의 성능은 기존 방법들과 비교해 어떻게 되는가?
• RQ4 각 커뮤니티의 순수 노드 비율이 알고리즘의 일관성과 정확성에 어떤 영향을 미치는가?
• RQ5 인접행렬 기반 스펙트럴 방법에 추가 군집화를 결합한 방법이, 비백트래킹 행렬과 같은 더 복잡한 도구보다 겹침 상황에서 더 뛰어난 성능을 낼 수 있는가?

주요 결과

• 각 커뮤니티가 양의 비율의 순수 노드를 가지며, 기대 노드 차수가 네트워크 크기의 로그 수준 이상일 경우, SAAC은 SBMO 모델 하에서 커뮤니티 복구에 대해 일관성을 확보한다.
• 시뮬레이션 및 실제 네트워크(공동 저자 및 사회 네트워크 포함)에서 기존 방법들을 능가하며, 겹치는 커뮤니티 복구에서 최첨단 정확도를 달성한다.
• 낮은 평균 차수를 가지는 네트워크에서의 실험을 통해, SAAC의 성능은 희박한 네트워크에서도 강인함을 입증한다.
• 차수 군집화(DC+SC) 기반의 사전 처리 단계는 순수 노드를 식별함으로써 스펙트럴 군집화 적용 이전에 부분 커뮤니티를 탐지하는 데 도움을 주어 성능을 향상시킨다.
• 이론적 분석 결과, SAAC는 비겹침 케이스에서 알려진 스펙트럴 탐지 임계값 이하의 커뮤니티를 복구할 수 있으며, 이는 겹침 상황에서 더 민감한 감지 능력을 가짐을 시사한다.
• 그림 5의 경험적 결과는 SAAC가 특히 중간에서 높은 겹침 범위에서 DC+SC 기준보다 소속 행렬의 정확히 분류된 요소 비율이 높게 일관되게 유지됨을 보여준다.