[논문 리뷰] Matched bipartite block model with covariates

Zahra S. Razaee, Arash A. Amini외 1명|arXiv (Cornell University)|2017. 03. 15.

Complex Network Analysis Techniques참고 문헌 32인용 수 4

한 줄 요약

이 논문은 변동성 추론을 사용하여 모델을 효율적으로 적합시키는 조건부 공변량을 갖춘 매칭된 이분할 블록 모델을 제안한다. 이 모델은 이분할 네트워크의 양측에서 공동체 간 일대일 대응을 함께 추론한다. 주요 기여는 매칭된 공동체 간 통계적으로 연관된 노드 공변량을 통합함으로써 희박하거나 노이즈가 많은 네트워크에서 더 높은 클러스터링 정확도를 달성하는 데 있다.

ABSTRACT

Community detection or clustering is a fundamental task in the analysis of network data. Many real networks have a bipartite structure which makes community detection challenging. In this paper, we consider a model which allows for matched communities in the bipartite setting, in addition to node covariates with information about the matching. We derive a simple fast algorithm for fitting the model based on variational inference ideas and show its effectiveness on both simulated and real data. A variation of the model to allow for degree-correction is also considered, in addition to a novel approach to fitting such degree-corrected models.

연구 동기 및 목표

• 이분할 네트워크에서 양측의 공동체 간 일대일 대응이 예상되거나 바람직한 경우 공동체 검출 문제를 해결하기 위해.
• 매칭된 공동체 구조를 존중하면서도 양측 간 정보 공유를 가능하게 하여 노드 공변량을 공동체 검출 과정에 통합하기 위해.
• 공동체 소속과 매칭 관계를 동시에 추정하는 빠르고 확장 가능한 변동성 추론 기반 추론 알고리즘을 개발하기 위해.
• 도수 보정 설정으로 모델을 확장하여 노드의 도수 다양성을 허용하면서도 매칭된 공동체 구조를 유지하기 위해.
• 모의 및 실세계 데이터에 대한 실험적 평가를 통해 모델의 네트워크 희박성과 노이즈에 대한 강건성을 입증하기 위해.

제안 방법

• 이분할 네트워크에 대해 잠재적인 일대일 매칭이 있는 공동체 간의 스토하스틱 블록 모델(SBM)을 확장한 생성 모델을 제안한다.
• 매칭된 공동체에서의 노드 공변량이 동일한 분포를 공유하는 계층적 베이지안 프레임워크를 도입하여 측면 간 정보 공유를 가능하게 한다.
• 공동체 소속과 모델 파라미터의 사후 분포를 근사하기 위해 변동성 추론을 사용하여 빠르고 확장 가능한 적합을 가능하게 한다.
• 변동성 하한의 순차적 블록좌표 상승을 통해 도수 보정 및 보정 없음 버전의 모델에 대한 통합 알고리즘을 유도한다.
• 일반적인 교차공분산 행렬을 사용하여 매칭된 공동체의 공변량 간 통계적 연관성을 모델링하여 공변량 영향력의 민감한 조정을 가능하게 한다.
• 실세계 위키백과 네트워크(Cities 및 TopArticles)에 모델을 적용하여 데이터 부족 상황에서의 강건성과 성능을 테스트하기 위해 부분 샘플링과 에르되시-레니 반응 노이즈를 추가한다.

실험 결과

연구 질문

• RQ1 이분할 네트워크의 양측에서 공동체 간 일대일 매칭을 강제하는 생성 모델이 표준 공동 클러스터링 방법보다 공동체 검출 정확도를 향상시키는가?
• RQ2 다른 차원을 가지며 부분적으로 관측된 공변량을 갖는 이분할 네트워크의 양측에서 노드 공변량을 공동체 검출 모델에 효과적으로 통합하는 방법은 무엇인가?
• RQ3 희박하거나 노이즈가 많은 이분할 네트워크에서 공변량이 공동체 클러스터링 성능을 얼마나 향상시키는가. 특히 한 쪽에만 공변량이 존재할 경우에 대해 어떻게 되는가?
• RQ4 일관된 변동성 추론 프레임워크를 개발하여 매칭된 이분할 블록 모델의 도수 보정 및 보정 없음 버전을 효율적으로 적합시킬 수 있는가?
• RQ5 네트워크의 희박성 또는 추가된 노이즈 상황에서 모델의 성능은 어떻게 저하되며, 공변량이 이러한 저하를 완화시킬 수 있는가?

주요 결과

• 공변량을 포함한 mbiSBM(매칭된 이분할 SBM)은 특히 네트워크 희박성과 노이즈 상황에서 표준 biSC(공동 클러스터링)보다 정규화 상호정보량(NMI) 측면에서 뚜렷이 뛰어나다.
• Cities 네트워크에서는 부분 샘플링 상황에서 공변량을 추가함으로써 NMI가 약 0.8에서 거의 1.0로 향상되어 데이터 손실에 대한 강건성을 잘 보여준다.
• TopArticles 네트워크에서는 오직 하나의 공변량만 존재했음에도 불구하고 mbiSBM는 평균 도수가 낮은 상황에서 NMI 0.98을 달성했으며, 무작위 추측 기반 기준값 0.42를 크게 초월한다.
• 모델은 한 쪽에서만 공변량이 존재할 경우에도 공변량 정보를 효과적으로 다른 쪽으로 전달하여 매칭된 NMI를 향상시킨다.
• 에르되시-레니 노이즈가 추가된 상황에서 mbiSBM는 biSC에 비해 성능 저하가 훨씬 더 부드럽게 나타나 강건성이 향상됨을 보였다.
• 도수 보정 버전의 모델은 다양한 네트워크 도수에서 강력한 성능을 유지하여 제안된 변동성 추론 접근법이 복잡한 환경에서도 효과적임을 확인한다.