[논문 리뷰] Graph Neural Network Encoding for Community Detection in Attribute Networks

Jianyong Sun, Wei Zheng외 2명|arXiv (Cornell University)|2020. 06. 06.

Complex Network Analysis Techniques참고 문헌 75인용 수 5

한 줄 요약

이 논문은 속성 네트워크에서 이산적인 커뮤니티 탐지 문제를 연속 최적화 문제로 변환하는 그래프 신경망(GNN) 인코딩 방법을 제안한다. 이는 더 효과적인 다목적 유전 알고리즘을 가능하게 한다. 모서리를 연속 변수로 인코딩하고, 비선형 변환을 통해 이산적인 커뮤니티 할당을 생성함으로써 적합도 표면을 매끄럽게 하고, 단일 및 다중 속성 구조를 가진 실세계 네트워크에서 기존의 유전 알고리즘과 비유전 알고리즘보다 뚜렷이 뛰어난 성능을 발휘한다.

ABSTRACT

In this paper, we first propose a graph neural network encoding method for multiobjective evolutionary algorithm to handle the community detection problem in complex attribute networks. In the graph neural network encoding method, each edge in an attribute network is associated with a continuous variable. Through non-linear transformation, a continuous valued vector (i.e. a concatenation of the continuous variables associated with the edges) is transferred to a discrete valued community grouping solution. Further, two objective functions for single- and multi-attribute network are proposed to evaluate the attribute homogeneity of the nodes in communities, respectively. Based on the new encoding method and the two objectives, a multiobjective evolutionary algorithm (MOEA) based upon NSGA-II, termed as continuous encoding MOEA, is developed for the transformed community detection problem with continuous decision variables. Experimental results on single- and multi-attribute networks with different types show that the developed algorithm performs significantly better than some well-known evolutionary and non-evolutionary based algorithms. The fitness landscape analysis verifies that the transformed community detection problems have smoother landscapes than those of the original problems, which justifies the effectiveness of the proposed graph neural network encoding method.

연구 동기 및 목표

• 네트워크 구조와 노드 속성의 균형을 동시에 최적화해야 하는 복잡한 속성 네트워크에서 커뮤니티 탐지의 과제를 해결하기 위해.
• 유전 알고리즘에서 이산 탐색 공간의 한계를 극복하기 위해 문제를 연속 영역으로 변환하기 위해.
• 구조적 정보와 속성 정보를 유지하면서도 효율적인 최적화를 가능하게 하는 새로운 인코딩 방법을 개발하기 위해.
• 다양한 속성 유형과 커뮤니티 구조를 가진 실세계 네트워크에서 제안된 방법의 효과성을 평가하기 위해.
• 변환된 문제의 적합도 표면이 더 매끄럽다는 것을 입증하여 탐색 효율성을 향상시키기 위해.

제안 방법

• 각 모서리가 연속 변수와 연결된 그래프 신경망 인코딩 방법을 제안하여 네트워크의 연속 벡터 표현을 형성한다.
• 연속 벡터를 이산적 커뮤니티 할당으로 변환하기 위해 비선형 변환을 적용함으로써 연속 공간 내에서 이산 최적화를 가능하게 한다.
• 단일 속성 균형과 다중 속성 유사도를 위한 두 가지 새로운 목적 함수를 도입하며, 네트워크 구조를 위한 모듈라리티와 함께 사용한다.
• 새로운 인코딩과 목적 함수를 기반으로 NSGA-II에 기반한 연속 인코딩 다목적 유전 알고리즘(CE-MOEA)을 개발한다.
• 원래의 이산 문제와 비교하여 변환된 연속 문제의 적합도 표면의 매끄러움을 분석하기 위해 적합도 표면 분석을 수행한다.
• 정답 레이블이 있는 및 없는 실세계 네트워크를 사용하여 최신의 다목적 유전 알고리즘(MOEAs)과 비유전 알고리즘의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GNN 기반 인코딩 방법이 이산 커뮤니티 탐지 문제를 연속 최적화 문제로 효과적으로 변환할 수 있는가?
• RQ2 제안된 인코딩 방법이 원래의 이산 문제에 비해 더 매끄러운 적합도 표면을 제공하는가?
• RQ3 제안된 CE-MOEA의 성능은 속성 네트워크에서 기존의 MOEAs와 비유전 알고리즘에 비해 어떻게 다른가?
• RQ4 새로운 인코딩이 구조적 커뮤니티와 속성 균형 모두의 탐지에 얼마나 향상시키는가?
• RQ5 이 방법은 다양한 속성 유형과 커뮤니티 구조를 가진 네트워크로 일반화 가능한가?

주요 결과

• 제안된 GNN 인코딩 방법은 이산 커뮤니티 탐지 문제를 연속 탐색 공간으로 성공적으로 변환하여 더 효과적인 최적화를 가능하게 한다.
• 적합도 표면 분석 결과, 변환된 문제의 적합도 표면이 원래 문제보다 훨씬 더 매끄럽고, 최적점과의 거리와 목적 함수 값 간 상관계수는 최대 50% 감소하였다.
• CE-MOEA는 NSGA-II 기반의 MOEA-SA와 MOGA-@Net을 모두 능가하며, 제안된 인코딩 방법의 우수성을 입증한다.
• 단일 및 다중 속성 구조를 가진 실세계 네트워크에서 CE-MOEA는 모듈라리티 및 속성 균형 지표 측면에서 뛰어난 성능을 발휘한다.
• 이 방법은 커뮤니티 수를 사전 입력으로 필요로 하지 않아 많은 비유전적 접근보다 더 높은 실용성을 제공한다.
• 결과는 연속 인코딩이 탐색 공간을 더 효율적으로 탐색할 수 있도록 해주어 고품질의 커뮤니티 탐지 솔루션을 도출함을 확인한다.