[논문 리뷰] Complex Networks, Communities and Clustering: A survey

Biswajit Saha, Amitabha Mandal외 2명|arXiv (Cornell University)|2015. 03. 21.

Complex Network Analysis Techniques참고 문헌 40인용 수 9

한 줄 요약

이 종합적 리뷰는 복잡한 네트워크에서 커뮤니티 탐지 및 군집화에 대한 포괄적인 검토를 제공하며, 모듈러리티, 소월드 성질, 차수 분포와 같은 기초 개념과 기존 알고리즘 접근 방식인 Girvan-Newman, 계층적 군집화, 모듈러리티 최적화를 포함한다. 또한 겹치는 커뮤니티, 방향성 네트워크, 커뮤니티의 진화와 같은 현재의 연구 동향을 통합하여 분야의 방법, 과제 및 열린 문제들에 대한 체계적인 개요를 제공한다.

ABSTRACT

This paper is an extensive survey of literature on complex network communities and clustering. Complex networks describe a widespread variety of systems in nature and society especially systems composed by a large number of highly interconnected dynamical entities. Complex networks like real networks can also have community structure. There are several types of methods and algorithms for detection and identification of communities in complex networks. Several complex networks have the property of clustering or network transitivity. Some of the important concepts in the field of complex networks are small-world and scale-robustness, degree distributions, clustering, network correlations, random graph models, models of network growth, dynamical processes on networks, etc. Some current areas of research on complex network communities are those on community evolution, overlapping communities, communities in directed networks, community characterization and interpretation, etc. Many of the algorithms or methods proposed for network community detection through clustering are modified versions of or inspired from the concepts of minimum-cut based algorithms, hierarchical connectivity based algorithms, the original GirvanNewman algorithm, concepts of modularity maximization, algorithms utilizing metrics from information and coding theory, and clique based algorithms.

연구 동기 및 목표

• 복잡한 네트워크에서 커뮤니티 탐지 및 군집화에 대한 체계적인 검토를 제공하기 위해.
• 모듈러리티 최적화 및 최소 컷 방법을 포함한 핵심 알고리즘 접근 방식을 식별하고 분석하기 위해.
• 겹치는 커뮤니티, 방향성 네트워크, 커뮤니티의 진화와 같은 새로운 연구 방향을 탐색하기 위해.
• 커뮤니티 탐지 및 네트워크 군집화 분야에서 현재의 과제와 열린 문제들을 통합하기 위해.

제안 방법

• 2000년에서 2015년 사이의 복잡한 네트워크 커뮤니티 및 군집화 관련 기존 문헌을 조사하고 분류하기 위해.
• 알고리즘을 최소 컷 기반, 계층적 연결 기반, 모듈러리티 최적화, 정보 이론 기반, 클리크 기반 방법으로 분류하기 위해.
• 군집 계수, 차수 분포, 네트워크의 전이성과 같은 핵심 개념을 분석하기 위해.
• 선호적 첨부 및 무작위 그래프 모델을 포함한 네트워크 성장 모델을 검토하기 위해.
• 주요 커뮤니티 탐지 알고리즘의 성능 및 한계를 평가하기 위해.
• 겹치는 커뮤니티 탐지 및 동적 커뮤니티 진화와 같은 최근 발전을 부각시키기 위해.

실험 결과

연구 질문

• RQ1 커뮤니티 구조와 군집화를 지지하는 복잡한 네트워크의 기본 성질은 무엇인가?
• RQ2 정확도, 확장성, 내성 면에서 서로 다른 커뮤니티 탐지 알고리즘이 어떻게 비교되는가?
• RQ3 복잡한 네트워크에서 겹치는 커뮤니티와 진화하는 커뮤니티를 탐지하는 데 있어 핵심 과제는 무엇인가?
• RQ4 모듈러리티, 소월드 성질, 스케일프리 차수 분포와 같은 개념이 커뮤니티 탐지에 어떻게 영향을 미치는가?
• RQ5 커뮤니티 탐지 및 네트워크 군집화 분야에서 현재의 연구 선진지대는 무엇인가?

주요 결과

• Girvan-Newman 알고리즘은 여전히 기초적인 접근 방식으로 간주되며, 간선의 중간성 값을 기반으로 반복적으로 간선를 제거하여 커뮤니티 구조를 드러낸다.
• 모듈러리티 최적화는 널리 사용되며 영향력 있는 방법이지만, 해상도 한계와 초기화 민감도 문제를 애초에 앓고 있다.
• 계층적 군집화 방법은 확장성 있는 솔루션을 제공하지만, 겹치는 커뮤니티의 구조를 효과적으로 포착하지 못할 수 있다.
• 정보 이론 기반 및 클리크 기반 접근 방식은 대안적 시각을 제공하지만, 계산 복잡도로 인해 덜 일반적으로 적용된다.
• 겹치는 커뮤니티와 동적 네트워크 진화는 중요한 과제이자 활발한 연구 분야이다.
• 방향성 네트워크에서의 커뮤니티 탐지는 비대칭 연결 패턴으로 인해 기존 알고리즘의 특수한 변형이 필요하다.