[論文レビュー] Angular separability of data clusters or network communities in geometrical space and its relevance to hyperbolic embedding

Alessandro Muscoloni, Carlo Vittorio Cannistraci|arXiv (Cornell University)|Jun 28, 2019

Topological and Geometric Data Analysis被引用数 5

ひとこと要約

本稿では、幾何的空間（特に双曲空間）におけるネットワークコミュニティまたはデータクラスタの角度座標による分離度を定量化する指標である「角度分離インデックス（ASI）」を導入する。統計的有意性の検定にランダムなノイズモデルを用いることで、2次元双曲ネットワークモデルにおける温度の上昇が2次元を超える「次元性のジャンプ」を引き起こし、ネットワークの内在次元性を検出可能であることが明らかになった。

ABSTRACT

Analysis of 'big data' characterized by high-dimensionality such as word vectors and complex networks requires often their representation in a geometrical space by embedding. Recent developments in machine learning and network geometry have pointed out the hyperbolic space as a useful framework for the representation of this data derived by real complex physical systems. In the hyperbolic space, the radial coordinate of the nodes characterizes their hierarchy, whereas the angular distance between them represents their similarity. Several studies have highlighted the relationship between the angular coordinates of the nodes embedded in the hyperbolic space and the community metadata available. However, such analyses have been often limited to a visual or qualitative assessment. Here, we introduce the angular separation index (ASI), to quantitatively evaluate the separation of node network communities or data clusters over the angular coordinates of a geometrical space. ASI is particularly useful in the hyperbolic space - where it is extensively tested along this study - but can be used in general for any assessment of angular separation regardless of the adopted geometry. ASI is proposed together with an exact test statistic based on a uniformly random null model to assess the statistical significance of the separation. We show that ASI allows to discover two significant phenomena in network geometry. The first is that the increase of temperature in 2D hyperbolic network generative models, not only reduces the network clustering but also induces a 'dimensionality jump' of the network to dimensions higher than two. The second is that ASI can be successfully applied to detect the intrinsic dimensionality of network structures that grow in a hidden geometrical space.

研究の動機と目的

• 幾何的空間におけるデータクラスタまたはネットワークコミュニティの角度分離度を、定量的かつ統計的に根拠のある指標で評価するための手法を開発すること。
• 従来の研究が双曲埋め込みにおける角度類似性の定性的または視覚的評価に依存していたという限界を是正すること。
• ネットワーク埋め込みにおける角度座標とコミュニティ構造の関係を解明すること。
• 隠れた幾何的空間に成長するネットワークの内在次元性を特定すること。
• 双曲ネットワーク生成モデルにおける温度の影響が、幾何的およびトポロジカルな性質に与える影響を評価すること。

提案手法

• 幾何的空間におけるクラスタまたはコミュニティ間の角度分離度を定量化する指標として「角度分離インデックス（ASI）」を提案する。
• 異なるコミュニティに属するノード間の角度距離に基づきASIを定義し、均一なランダムノイズモデル下での期待値で正規化する。
• 均一なランダムノイズモデルに基づく正確な統計的仮説検定を導入し、観測されたASI値の有意性を評価する。
• 温度パラメータを変化させた双曲ランダムグラフモデル（例：双曲ランダム幾何グラフ）によって生成された合成ネットワークにASIを適用する。
• 角度分離のパターンを分析することで、実際のネットワークおよび合成ネットワークの有効次元性をASIを用いて推定する。
• 双曲空間を含む複数のネットワークタイプおよび埋め込み幾何構造においてASIの性能を検証し、特に双曲空間への重点を置く。

実験結果

リサーチクエスチョン

• RQ1 双曲空間における角度分離度は、どの程度定量的に測定可能であり、統計的に妥当化できるか？
• RQ2 2次元双曲ネットワークモデルにおける温度上昇が、幾何的構造およびコミュニティのクラスタリングに与える影響は何か？
• RQ3 温度上昇に伴い、ネットワーク構造に2次元を超える「次元性のジャンプ」が生じるのをASIは検出可能か？
• RQ4 隠れた幾何的空間に埋め込まれたネットワークの内在次元性をASIを用いて推定可能か？
• RQ5 双曲埋め込みにおける角度座標と既知のコミュニティメタデータの相関はどの程度高いか？

主な発見

• 角度分離インデックス（ASI）は、合成ネットワークおよび実際のネットワークにおいて、コミュニティ間の角度分離度を効果的に定量化できた。
• 2次元双曲ネットワークモデルにおける温度上昇により、埋め込み空間が2次元であっても、ネットワーク構造が実効的に高次元化する「次元性のジャンプ」が生じた。
• 均一なランダムノイズモデルに基づく統計的有意性検定により、観測された角度分離度が偶然によるものでないことが確認され、ASIの信頼性が裏付けられた。
• ASIは、隠れた幾何的空間に成長するネットワーク構造の内在次元性を検出でき、一部のネットワークが非自明な幾何的組織を示していることが明らかになった。
• 本研究では、双曲埋め込みにおける角度座標が、定性的に意味を持つだけでなく、コミュニティ構造分析において定量的に有用であることが示された。
• 結果から、径方向の階層が主な信号でない場合でも、双曲埋め込みが角度分離を介してコミュニティ構造を保持できることを示した。