[論文レビュー] Community Detection on Networks with Ricci Flow

Chien-Chun Ni, Yu-Yao Lin+2 more|arXiv (Cornell University)|Jul 9, 2019

Complex Network Analysis Techniques参考文献 56被引用数 5

ひとこと要約

本稿では、重み付きグラフ上のオリヴィエのリッチ・カーブチャアを用いて、離散的リッチ・フローを用いたネットワークにおけるコミュニティ検出のための幾何学的アプローチを提案する。この手法は、時間経過に伴うエッジ重みの変化を利用して、高カーブチャア（密）領域を収縮させ、低カーブチャア（疎）エッジを伸張することでコミュニティを同定する。Zacharyのカーリボート・クラブやFacebookのエゴネットワークといったベンチマークネットワークにおいて、既知のコミュニティ構造を効果的に回復する。

ABSTRACT

Many complex networks in the real world have community structures -- groups of well-connected nodes with important functional roles. It has been well recognized that the identification of communities bears numerous practical applications. While existing approaches mainly apply statistical or graph theoretical/combinatorial methods for community detection, in this paper, we present a novel geometric approach which enables us to borrow powerful classical geometric methods and properties. By considering networks as geometric objects and communities in a network as a geometric decomposition, we apply curvature and discrete Ricci flow, which have been used to decompose smooth manifolds with astonishing successes in mathematics, to break down communities in networks. We tested our method on networks with ground-truth community structures, and experimentally confirmed the effectiveness of this geometric approach.

研究の動機と目的

• ネットワークを離散的リーマン多様体としてモデル化することで、コミュニティ検出のための新しい幾何学的フレームワークを構築すること。
• ハミルトンおよびペレルマンの3次元多様体に関する研究にインspiredされた離散的リッチ・フローを適用し、ネットワークをコミュニティに分解すること。
• 度合測度空間におけるオリヴィエのリッチ・カーブチャアを用いて、重み付きグラフにおけるカーブチャアを定義し、コミュニティ検出に活用すること。
• 本手法の有効性を、既知のコミュニティ構造を持つ実世界のネットワークにおいて示すこと。

提案手法

• 本手法は、隣接ノード上の確率測度間の最適輸送コストから導かれるオリヴィエのメトリック・グラフ上のリッチ・カーブチャア定義を用いる。
• エッジ重みは離散的リッチ・フローにより動的に更新され、正の高いカーブチャアを示すエッジは収縮し、負のカーブチャアを示すエッジは伸張する。
• アルゴリズムは、局所的グラフ幾何から導かれる遷移行列Aに基づく行列変換モデルを用いて反復的にエッジ重みを進化させる。
• コミュニティは、しきい値を超えて伸張したエッジを削除することで同定される。これは、高いリッチ・カーブチャア領域に対応する。
• このプロセスは線形力学系 W_{n+1} = A W_n として形式化され、行列Aの固有値分解を用いて漸近的挙動が解析される。
• 理論的分析により、エッジ長が支配的固有値 λ₁ > 1 に依存したレートで変化することが示され、最も伸張されたエッジはコミュニティ間リンクに対応する。

実験結果

リサーチクエスチョン

• RQ1 リッチ・フローは、ネットワークにおけるコミュニティ検出に適応可能な形で離散化可能か？
• RQ2 リッチ・フローに伴うエッジ重みの幾何学的変化は、どのように隠れたコミュニティ構造を明らかにするか？
• RQ3 カーブチャア駆動のエッジ重み変換は、従来の統計的または組合せ的手法に比べてどの程度優れているか？
• RQ4 モデルネットワークにおいて、繰り返しリッチ・フロー反復を施した場合のエッジ重みの理論的挙動はいかなるものか？
• RQ5 更新行列のスペクトル解析を用いて、リッチ・フロー過程の漸近的ダイナミクスを特徴づけられるか？

主な発見

• 離散的リッチ・フローは、Zacharyのカーリボート・クラブネットワークにおいてコミュニティを効果的に検出でき、コミュニティ間エッジの伸張を削除することで、既知の2クラブ構造を回復した。
• Facebookのエゴネットワークにおいては、現実の社会的グループ構造と整合する意味のあるコミュニティクラスタを同定した。
• 理論的分析により、コミュニティ間リンクuvに関連するエッジ長は、更新行列Aの支配的固有値λ₁ > 1 に対して λ₁^n のレートで増加することが確認された。
• コミュニティ内エッジ（例：ij）は、要因 (1/a)^n（a > 1）に従って指数関数的に収縮する。
• 本手法は合成ネットワークおよび実世界のネットワークにおいてロバストであり、真値構造との比較によりコミュニティ検出の正確性が検証された。
• リッチ・フロー過程は漸近的に、高い正のカーブチャアを持つ部分グラフにネットワークを分離し、これは密に接続されたコミュニティに対応する。