[論文レビュー] Detectability of small communities in multilayer and temporal networks: Eigenvector localization, layer aggregation, and time series discretization.

Dane Taylor, Rajmonda S. Caceres+1 more|arXiv (Cornell University)|Sep 14, 2016

Opinion Dynamics and Social Influence被引用数 5

ひとこと要約

本稿は、複数層および時系列的ネットワークにおける小さな異常コミュニティの検出可能性を、集約された層のモジュラリティ行列における固有ベクトルの局在化を分析することで研究している。コミュニティサイズ $K$ が臨界閾値 $K^* \propto \sqrt{T^{-2}NL}$ を超えると検出可能性に段階的転移が生じることを特定し、時系列ネットワークにおけるコミュニティ検出のための局在化に基づく手法を提案。実データとしてEnronメールコーパスを用いて検証した。

ABSTRACT

Inspired by real-world networks that are naturally represented by layers encoding different types of connections, such as different instances in time, we study the detectability of small-scale communities that are anomalies in that they are hidden in a multilayer network. Letting $K$ and $T$ respectively denote the community size and the number of layers in which it is present, we assume that it is unknown which of the $N\gg K$ nodes are involved in the community or in which of the $L\ge T$ layers it is present. We study fundamental limitations on the detectability of small communities by developing random matrix theory for the dominant eigenvectors of a modularity matrix that is associated with an aggregation of layers. We identify a phase transition in detectability that is caused by an eigenvector localization phenomenon that is analogous to localization arising for disordered media and occurs when $K$ surpasses a critical size $K^*\varpropto \sqrt{T^{-2}NL}$. We highlight several consequences of this scaling behavior and compare different methods of layer aggregation including optimal strategies for summation and thresholding. As one concrete application, we identify good practices with respect to small-community detection for how to bin (i.e., discretize) temporal network data into time windows. Using this analysis as a guide, we introduce an eigenvector-localization-based procedure for community detection in temporal networks, which we apply to the Enron email corpus as an example.

研究の動機と目的

• コミュニティ所属および層の存在が未知である多層および時系列ネットワークにおいて、小さなコミュニティの検出可能性の根本的限界を理解すること。
• 大きなノイズを持つネットワークに埋もれているにもかかわらず、小さなコミュニティがいつ検出可能になるかの条件を特定すること。
• 小さなコミュニティの検出可能性を向上させるために、時間系列の離散化および層の集約を合理的に設計する手法を開発すること。
• 理論的知見を実世界の時系列ネットワークデータ（例：Enronメールコーパス）に適用し、固有ベクトルの局在化に基づく検出手順を用いて検証すること。

提案手法

• 多層ネットワークにおける集約層から導出されるモジュラリティ行列の主要固有ベクトルに対して、ランダム行列理論の枠組みを構築する。
• 検出可能性の代理指標として固有ベクトルの局在化を分析し、検出可能性の段階的転移が発生する臨界閾値 $K^* \propto \sqrt{T^{-2}NL}$ を特定する。
• 信号対ノイズ比を最大化するため、最適な和集合およびしきい値処理を含む、層の集約戦略を比較分析する。
• 検出可能性の段階的転移に基づく、時間的ネットワークデータの時間窓への離散化（バインディング）戦略を提案し、窓サイズを最適化する。
• 集約ネットワークにおける固有ベクトルの局在化を活用して小さなコミュニティを同定するコミュニティ検出アルゴリズムを提唱する。
• 提案手法をEnronメールコーパスに適用し、時間的に局在化した小さなコミュニティの検出性能が向上することを実証した。

実験結果

リサーチクエスチョン

• RQ1 多層ネットワークにおける小さなコミュニティの検出可能性が、固有ベクトルの局在化によってどのように段階的転移を示すか？
• RQ2 コミュニティが現れる層の数 $T$ と総層数 $L$ の両方が、コミュニティの検出可能性にどのように影響を与えるか？
• RQ3 小さなコミュニティの検出可能性を最大化するために、最適な層の集約方法（和集合、しきい値処理、その他の手法）は何か？
• RQ4 時間的ネットワークデータをどのように時間窓に離散化すれば、一時的なコミュニティの検出可能性を維持できるか？
• RQ5 実世界の時系列ネットワークにおいて、固有ベクトルの局在化は、小さな異常コミュニティを信頼性高く同定するための有効なシグナルとして機能するか？

主な発見

• 多層ネットワークにおける小さなコミュニティの検出可能性は、コミュニティサイズ $K$ が臨界閾値 $K^* \propto \sqrt{T^{-2}NL}$ を超えると急激な段階的転移を示す。ここで $T$ はコミュニティが現れる層の数、$L$ は総層数、$N$ はノード総数を表す。
• モジュラリティ行列の主要固有ベクトルにおける固有ベクトルの局在化は、コミュニティ検出可能性の信頼できる指標であり、不純物を含む媒体における現象と類似している。
• 信号が弱く複数の層に散らばっている場合に特に、最適な和集合による層の集約がしきい値処理を上回る検出可能性を維持する。
• 検出可能性閾値に基づく提案された時間離散化戦略は、標準的なバインディング手法と比較してEnronメールコーパスにおける検出性能を向上させる。
• 固有ベクトルの局在化に基づく検出手順は、Enronメールネットワークにおいて、時間的に局在化した小さなコミュニティを効果的に同定でき、理論的枠組みの実用的有効性を示した。
• スケーリング則 $K^* \propto \sqrt{T^{-2}NL}$ は、希少または一時的なコミュニティを検出するためのネットワーク解析パイプライン設計に定量的ガイドを提供する。