[論文レビュー] Bayan Algorithm: Detecting Communities in Networks Through Exact and Approximate Optimization of Modularity

Samin Aref, Mahdi Mostajabdaveh+1 more|arXiv (Cornell University)|Sep 10, 2022

Complex Network Analysis Techniques被引用数 6

ひとこと要約

Bayanアルゴリズムは、モジュラリティを最適化するために整数プログラミングの分枝・切り捨て手法を用いる、コミュニティ検出のための特殊化された正確かつ近似可能な手法であり、グローバルに最適またはほぼ最適な分割を保証する。4500本のエッジにまで達するこれまでに解けなかったインスタンスを、標準的なハードウェア上で解けるようにし、公開済みのPython実装（bayanpy）を提供する。

ABSTRACT

Community detection is a classic network problem with extensive applications in various fields. Its most common method is using modularity maximization heuristics which rarely return an optimal partition or anything similar. Partitions with globally optimal modularity are difficult to compute, and therefore have been underexplored. Using structurally diverse networks, we compare 30 community detection methods including our proposed algorithm that offers optimality and approximation guarantees: the Bayan algorithm. Unlike existing methods, Bayan globally maximizes modularity or approximates it within a factor. Our results show the distinctive accuracy and stability of maximum-modularity partitions in retrieving planted partitions at rates higher than most alternatives for a wide range of parameter settings in two standard benchmarks. Compared to the partitions from 29 other algorithms, maximum-modularity partitions have the best medians for description length, coverage, performance, average conductance, and well clusteredness. These advantages come at the cost of additional computations which Bayan makes possible for small networks (networks that have up to 3000 edges in their largest connected component). Bayan is several times faster than using open-source and commercial solvers for modularity maximization, making it capable of finding optimal partitions for instances that cannot be optimized by any other existing method. Our results point to a few well performing algorithms, among which Bayan stands out as the most reliable method for small networks. A Python implementation of the Bayan algorithm (bayanpy) is publicly available through the package installer for Python.

研究の動機と目的

• ヒューリスティックなモジュラリティ最大化アルゴリズムには最適性の保証がないという問題に対処し、しばしば真のコミュニティ構造を回復できないこと。
• 正確な最適な分割または既知の最適性ギャップ内での高品質な近似を提供する手法を開発すること。
• 特に中規模の実世界ネットワークにおいて、正確なモジュラリティ最大化の限界をこれまでのものより拡張すること。
• 研究者が証明可能な最適またはほぼ最適なコミュニティ検出結果を得られる、実用的で効率的かつ信頼性の高いツールを作成すること。
• 一般向けのヒューリスティクスとは対照的に、特殊化されたアルゴリズムが真のコミュニティ構造を回復する際の優位性を示すこと。

提案手法

• アルゴリズムは、ノードのコミュニティへの割り当てを表す2値変数を用いたモジュラリティ最大化問題の整数プログラミング（IP）定式化を採用する。
• 有効な不等式（三角形制約）を繰り返し追加することで、線形計画法（LP）緩和を厳密にし、分数解を排除する分枝・切り捨てスキームを適用する。
• 探索を導くために、LP緩和からの上界と、ヒューリスティック解（例：Comboアルゴリズム）からの下界を組み合わせる。
• 分枝・ボンドツリーの各ノードで、違反している三重制約（x_ij + x_ik + x_jk = 0 または ≥ 2）に基づいてカットを追加し、実行可能領域を分割する。
• 部分問題における下界のため、特定のノード三重項が結合するのを防ぐために、モジュラリティ行列から調整されたδ値を減算する。
• インシデント（最良の実行可能解）と最良の境界が一致する（ギャップ = 0）場合に正確な解を得るための終了条件が適用され、または近似解では時間制限または最適性ギャップの閾値に達した場合に終了する。

実験結果

リサーチクエスチョン

• RQ1 特殊化されたアルゴリズムは、過去の正確なソルバーの限界を超えて、実世界ネットワークにおける正確なモジュラリティ最大化を達成できるか？
• RQ2 Bayanの性能は、真のコミュニティ構造を回復する観点で、30種類の既存のコミュニティ検出手法と比べてどの程度優れているか？
• RQ3 商業的およびオープンソースのソルバーと比較して、Bayanは正確なモジュラリティ最適化のスケーラビリティと信頼性をどの程度向上させているか？
• RQ4 特化したカットと境界の厳密化を組み合わせた分枝・切り捨てアプローチは、最大4500本のエッジを持つネットワークに対し、最適またはほぼ最適な解を達成できるか？
• RQ5 動的δチューニングを用いたヒューリスティックベースの下界が、収束速度と解の品質に与える影響はどの程度か？

主な発見

• Bayanは、最大4500本のエッジを持つ最大連結成分について、グローバルに最適な分割を計算することに成功し、これは過去のいかなる正確な手法よりも大きなスケールである。
• 同等のインスタンスにおいて、オープンソースおよび商業用ソルバー（例：Gurobi）よりも数倍速く動作し、かつこれまでに解けなかった問題に対しても正確な解を提供できる。
• 合成ネットワークおよび実世界ネットワークを対象としたベンチマークテストでは、30種類の代替手法と比較して、真のコミュニティ構造の回復において優れた正確性と安定性を示した。
• Bayanの近似版は、制御された最適性ギャップ内で高品質な解を達成でき、正確な最適化が現実的でない大規模なネットワークに適している。
• pip経由で入手可能なPythonライブラリbayanpyにより、コミュニティ検出の研究ワークフローへの広範なアクセスと統合が可能になった。
• 本研究では、Louvain、Leiden、Comboなどのヒューリスティックアルゴリズムが最適な分割に近づけないことが確認され、調整済み相互情報量における類似度スコアが0.5を超える場合が多かった。