[论文解读] Community Detection in General Hypergraph via Graph Embedding

Yaoming Zhen, Junhui Wang|arXiv (Cornell University)|Mar 28, 2021

Complex Network Analysis Techniques参考文献 49被引用 4

一句话总结

本文提出了一种新颖的超图嵌入方法（HEM），用于在一般超图（包括均匀与非均匀情况）中进行社区检测。通过引入一个单一的零虚拟顶点以统一超边大小，并应用正则化张量分解将顶点嵌入低维空间，HEM 实现了优越的社区检测准确率，在合成数据和真实世界超图（如 MeSH 和 SPECT 网络）上均表现出优异的渐近一致性和实证性能。

ABSTRACT

Conventional network data has largely focused on pairwise interactions between two entities, yet multi-way interactions among multiple entities have been frequently observed in real-life hypergraph networks. In this article, we propose a novel method for detecting community structure in general hypergraph networks, uniform or non-uniform. The proposed method introduces a null vertex to augment a non-uniform hypergraph into a uniform multi-hypergraph, and then embeds the multi-hypergraph in a low-dimensional vector space such that vertices within the same community are close to each other. The resultant optimization task can be efficiently tackled by an alternative updating scheme. The asymptotic consistencies of the proposed method are established in terms of both community detection and hypergraph estimation, which are also supported by numerical experiments on some synthetic and real-life hypergraph networks.

研究动机与目标

• 解决在超边大小不一的非均匀超图中进行社区检测的挑战。
• 克服现有方法将超图转换为加权图所导致的信息损失问题。
• 开发一个统一框架，支持在联合建模方法下同时进行超图估计与社区检测。
• 在稀疏超图条件下建立该方法的理论一致性，即使链接概率较低亦成立。
• 提供一种灵活的嵌入模型，通过允许社区内部存在方向异质性，推广现有模型（如 hSBM 和 hDCBM）

提出的方法

• 引入一个单一的零虚拟顶点以扩充较小的超边，将非均匀超图转化为均匀的多重超图。
• 构建基于张量的超图嵌入模型（HEM），并引入正则化项，以促使同一社区内的顶点具有相近的嵌入表示。
• 采用交替更新策略，高效求解涉及张量分解的优化问题。
• 利用从超边密度中估计的网络稀疏性因子，校准正则化强度。
• 应用多维缩放技术可视化嵌入后的社区结构，并评估聚类质量。
• 在未来工作中将该框架扩展至支持多层超图与混合成员关系社区。

实验结果

研究问题

• RQ1 统一方法是否能在均匀与非均匀超图中均实现一致的社区检测？
• RQ2 所提出的 HEM 方法在准确率与鲁棒性方面相较于现有超图社区检测技术表现如何？
• RQ3 在稀疏超图条件下，该方法的理论保证是什么？
• RQ4 该嵌入模型是否能捕捉社区结构，同时容纳超出固定谱向量的社区内部异质性？
• RQ5 使用单一零虚拟顶点是否在效率与性能上优于多零虚拟顶点增强方法？

主要发现

• 在 MeSH 超图网络上，HEM 达到最低的归一化汉明误差（0.0427），显著优于所有对比方法，包括 Tensor-SCORE（TS-1: 0.0819）与 WPTG（0.3630）。
• 在 SPECT 网络上，HEM 的归一化汉明误差为 0.1970，显著低于 TS-1（0.3295）、TS-2（0.2159）与 WPTG（0.2652）。
• 通过多维缩放技术在嵌入空间中清晰可视化了 HEM 检测到的社区结构，表明聚类具有良好的分离性。
• 理论分析证实，该方法在链接概率为 $ s_n \gg n^{1-m} \log n $ 的稀疏超图条件下具有渐近一致性。
• HEM 通过允许社区内部嵌入存在方向波动，推广了 hSBM 与 hDCBM 等现有模型，展现出更高的灵活性。
• 即使在预处理阶段移除低信息量的超边（大小为 1 和 >3）后，该方法仍保持优异性能，表明其对数据过滤具有强鲁棒性。