[논문 리뷰] Finding a Maximum Clique using Ant Colony Optimization and Particle Swarm Optimization in Social Networks

Mohammad Soleimani-Pouri, Alireza Rezvanian외 1명|arXiv (Cornell University)|2013. 11. 28.

Complex Network Analysis Techniques인용 수 2

한 줄 요약

이 논문은 사회적 네트워크에서 최대 클리크 탐지에 대해 표준 페로몬 업데이트를 입자군집최적화(PSO) 지도 기반 메커니즘으로 대체하는 ACO-PSO라는 하이브리드 메타휴리스틱을 제안한다. 이 방법은 해의 품질과 수렴 속도를 향상시켜 실제 사회적 네트워크 벤치마크에서 표준 ACO보다 뛰어난 성능을 보이며, Zachary의 카레이트 클럽과 C. elegans 신경망을 포함한 12개 데이터셋에서 더 빠른 런타임과 더 높은 클리크 크기 정확도를 확보한다.

ABSTRACT

Interaction between users in online social networks plays a key role in social network analysis. One on important types of social group is full connected relation between some users, which known as clique structure. Therefore finding a maximum clique is essential for some analysis. In this paper, we proposed a new method using ant colony optimization algorithm and particle swarm optimization algorithm. In the proposed method, in order to attain better results, it is improved process of pheromone update by particle swarm optimization. Simulation results on popular standard social network benchmarks in comparison standard ant colony optimization algorithm are shown a relative enhancement of proposed algorithm.

연구 동기 및 목표

• 사회적 네트워크 분석에서 중요한 밀접한 사용자 그룹을 식별하기 위해 필수적인 NP-완전 최대 클리크 문제를 해결하기 위해.
• 페로몬 업데이트 메커니즘 향상으로 ACO의 클리크 탐지 성능을 향상시키기 위해.
• 입자군집최적화(PSO)를 동적 히우리스틱으로 통합하여 페로몬 업데이트를 지도함으로써 해의 지능성과 수렴 속도를 증가시키기 위해.
• 제안된 ACO-PSO 하이브리드 알고리즘을 표준 사회적 네트워크 벤치마크에서 평가하고 기준 ACO와 비교하기 위해.
• 단지 페로몬 업데이트만 수정하는 경량 하이브리드화 방식이 상당한 성능 향상을 이끌 수 있음을 입증하기 위해.

제안 방법

• 알고리즘은 페로몬과 히우리스틱 정보를 기반으로 반복적으로 정점들을 추가하여 후보 클리크를 구성하는 데 ACO를 사용한다.
• 표준 페로몬 업데이트가 제거되고, 개인 최적(지역 최적, pbest) 및 전역 최적(gbest) 클리크 해의 페로몬 값을 사용해 동적으로 페로몬 수준을 조정하는 PSO 기반 메커니즘이 도입된다.
• 페로몬 업데이트 식 (8)은 PSO의 속도 업데이트를 통합한다: Vt+1 = c1*r1*(pτ - Δτ) + c2*r2*(gτ - Δτ) + c3*Vt, 여기서 pτ와 gτ는 각각 최적의 현재 클리크와 전역 클리크의 페로몬 값을 나타낸다.
• 알고리즘은 30只의 개미를 초기화하고, 페로몬 증발률 ρ=0.95로 설정하며, 반복 횟수에 따라 적응형 α 및 ρ 값을 사용한다(식 9 및 10).
• 정지 조건이 충족될 때까지 반복 과정을 수행하며, 페로몬 수준은 τmin=0.01과 τmax=6 사이로 제한된다.
• 지역 탐색과 페로몬 강화는 식 (3)에서 정의된 Δτij에 의해 고품질 해에만 적용된다.

실험 결과

연구 질문

• RQ1 PSO 지도 기반 페로몬 업데이트가 최대 클리크 문제 해결에서 ACO의 성능을 향상시킬 수 있는가?
• RQ2 다양한 사회적 네트워크 구조에서 하이브리드 ACO-PSO 알고리즘이 표준 ACO와 클리크 크기, 런타임, 일관성 측면에서 어떻게 비교되는가?
• RQ3 최소한의 알고리즘 수정으로도 수렴 속도와 해 품질 향상이 달성되는가?
• RQ4 적응형 매개변수 설정(α 및 ρ)이 다양한 네트워크 규모에서 알고리즘 성능을 얼마나 향상시키는가?
• RQ5 이러한 하이브리드 접근 방식은 크기와 밀도가 다른 실제 사회적 네트워크 데이터셋에서 유연성과 안정성을 확보하는가?

주요 결과

• SmaGri 인용 네트워크 (XI)에서 ACO-PSO는 표준 ACO(6.025) 대비 평균 클리크 크기 6.409를 기록하며 12% 향상된 성과를 보였다.
• Erdos 공동저술 네트워크 (V)에서 ACO-PSO는 최대 클리크 크기 7을 발견했으며 평균 5.848을 기록했고, ACO는 평균 5.848, 최고 7을 기록했지만 런타임은 105.11초(ACO-PSO) 대비 5853.59초로 현저히 낮았다.
• C. elegans 신경망 (III)에서 ACO-PSO는 클리크 크기 7, 평균 5.543, 표준편차 1.482를 기록했고, ACO는 평균 5.521, 표준편차 1.568을 기록했다.
• 월드 소사이어티 네트워크 (VII)에서 ACO-PSO는 5-클리크를 발견했으며 평균 4.118, 표준편차 0.322를 기록했고, ACO는 5-클리크를 발견했지만 평균 3.910, 표준편차 0.293를 기록했다.
• 일부 데이터셋에서 ACO-PSO는 런타임을 90% 이상 단축시켰다: 대학 공동저술 네트워크 (X)에서 ACO-PSO는 118.59초, ACO는 2142.03초였다.
• 모든 12개의 기준 벤치마크 데이터셋에서 ACO-PSO는 해 품질과 효율성 측면에서 ACO를 일관되게 뛰어넘었으며, 더 낮은 표준편차와 더 빠른 수렴 속도를 보였다.