[論文レビュー] Community Detection via Katz and Eigenvector Centrality

Mark Ditsworth, Justin Ruths|arXiv (Cornell University)|Sep 9, 2019

Complex Network Analysis Techniques参考文献 16被引用数 4

ひとこと要約

本稿では、Katz中心性と固有ベクトル中心性の強い相関を活用し、KEプロットを用いてコミュニティを同定する、新しいコミュニティ検出手法を提案する。この手法は、最大でLouvainの0.02%の実行時間で、Louvainと同等またはそれ以上のモジュラリティを達成し、大規模ネットワークにおけるスケーラブルな検出を可能にする。

ABSTRACT

The computational demands of community detection algorithms such as Louvain and spectral optimization can be prohibitive for large networks. Eigenvector centrality and Katz centrality are two network statistics commonly used to describe the relative importance of nodes; and their calculation can be closely approximated on large networks by scalable iterative methods. In this paper, we present and leverage a surprising relationship between Katz centrality and eigenvector centrality to detect communities. Beyond the computational gains, we demonstrate that our approach identifies communities that are as good or better than conventional methods.

研究の動機と目的

• 大規模ネットワークにおける伝統的なモジュラリティベースのコミュニティ検出の高コストを解消すること。
• Katz中心性と固有ベクトル中心性が、コミュニティ構造の有効な指標として機能するかどうかを検討すること。
• Louvain やスペクトル最適化のような反復的モジュラリティ最大化手法のスケーラブルな代替手法を開発すること。
• KEプロット（Katz中心性対固有ベクトル中心性）が、モジュラーなネットワークにおける自然なコミュニティグループを明らかにすることを示すこと。
• Louvain などの標準ベンチマークと比較して、真のコミュニティ構造と照合する形で、本手法の性能を検証すること。

提案手法

• パワー反復法を用いて反復的に固有ベクトル中心性を計算する：$\mathbf{x}^{(k+1)} = \frac{1}{\lambda_1}\mathbf{A}\mathbf{x}^{(k)}$。
• 反復式を用いてKatz中心性を計算する：$\mathbf{x}^{(k+1)} = \alpha\mathbf{A}\mathbf{x}^{(k)} + \beta\mathbf{1}$、ただし$\alpha < \frac{1}{\lambda_1}$。
• 各ノードのKatz中心性をその固有ベクトル中心性に対してプロットすることで、KEプロットを生成する。
• ラドン変換に基づくクラスタリングアルゴリズムを適用し、KEプロット内の明確な直線的クラスタを検出、コミュニティラベルを割り当てる。
• モジュラリティ最適化を一切行わずに、得られたクラスタをコミュニティ割り当てとして使用する。
• 反復的中心性計算の収束を活用し、大規模ネットワークにおけるスケーラビリティを実現する。

実験結果

リサーチクエスチョン

• RQ1 Katz中心性と固有ベクトル中心性の連合分布は、非有向ネットワークにおけるコミュニティ構造を明らかにできるか？
• RQ2 実際のネットワークおよび合成ネットワークにおいて、KEベースの手法とLouvainとの間で、モジュラリティおよび実行時間の観点から性能に差は生じるか？
• RQ3 KEプロットは、既知のまたは真のコミュニティ構造をどの程度反映しているか？
• RQ4 KE手法は、Louvainの出力を精緻化することで、Louvainを上回るより高い正規化モジュラリティのコミュニティを検出できるか？
• RQ5 反復的モジュラリティ最大化手法と比較して、ネットワークサイズの増大に伴う本手法のスケーリング特性はいかがなものか？

主な発見

• KE手法は、小さなネットワークではLouvainの実行時間の最低8.6%、大きなネットワークでは0.02%にまで短縮され、優れたスケーラビリティを示した。
• アマゾン製品ネットワークでは、KEは$Q/Q_{\text{max}} = 0.359/0.467$を達成し、Louvainの$0.801/0.908$と同等の性能を示した。
• 10,000ノードのアドホックなモジュラーネットワークでは、KEは1.97秒で$Q/Q_{\text{max}} = 0.123/0.492$を達成したが、Louvainは7,452秒を要した。
• 1,000ノードのネットワークでは、KEプロットが2つの主要なコミュニティグループを示し、精緻化後に$Q/Q_{\text{max}} = 0.940$が得られ、Louvainの$0.299$を上回った。
• Louvainが検出したコミュニティはKEプロットのクラスタと一致しており、本手法の構造的一致性が裏付けられた。
• Louvainの出力をKEプロットのインサイトを用いて精緻化することでモジュラリティが向上したため、本手法が既存のアルゴリズムを強化する可能性を示した。