[논문 리뷰] Modularity maximisation for graphons

Florian Klimm, Nick S. Jones외 1명|arXiv (Cornell University)|2021. 01. 01.

Graph theory and applications참고 문헌 70인용 수 1

한 줄 요약

이 논문은 조밀한 네트워크의 극한 대상인 그래폰에 대한 모듈러리티 최적화의 연속적 확장인 그래폰-모듈러리티를 제안한다. 이는 무한하고 연속적인 네트워크 표현에서 커뮤니티 탐지가 가능하게 하며, 모듈러리티 최적화를 연속 최적화 문제로 재구성함으로써 특정 그래폰에 대해 해석적 해를 도출할 수 있음을 보여준다. 또한 네트워크 데이터로부터 그래폰을 추정하는 것은 개인정보 보호를 유지하면서 커뮤니티 탐지 성능을 향상시킬 수 있으며, 실제 네트워크에서 조정된 상호정보량(AMI)이 최대 0.93에 이를 수 있음을 보여준다.

ABSTRACT

Networks are a widely-used tool to investigate the large-scale connectivity structure in complex systems and graphons have been proposed as an infinite size limit of dense networks. The detection of communities or other meso-scale structures is a prominent topic in network science as it allows the identification of functional building blocks in complex systems. When such building blocks may be present in graphons is an open question. In this paper, we define a graphon-modularity and demonstrate that it can be maximised to detect communities in graphons. We then investigate specific synthetic graphons and show that they may show a wide range of different community structures. We also reformulate the graphon-modularity maximisation as a continuous optimisation problem and so prove the optimal community structure or lack thereof for some graphons, something that is usually not possible for networks. Furthermore, we demonstrate that estimating a graphon from network data as an intermediate step can improve the detection of communities, in comparison with exclusively maximising the modularity of the network. While the choice of graphon-estimator may strongly influence the accord between the community structure of a network and its estimated graphon, we find that there is a substantial overlap if an appropriate estimator is used. Our study demonstrates that community detection for graphons is possible and may serve as a privacy-preserving way to cluster network data.

연구 동기 및 목표

• 유한 네트워크에서의 모듈러리티 최적화를 조밀한 네트워크의 극한인 무한한 연속 네트워크로 확장하여 그래폰에서 커뮤니티 탐지의 프레임워크를 개발하는 것.
• 유한 네트워크에서의 커뮤니티 탐지와 유사한 방식으로, 복잡한 그래폰 모델의 모듈러 구조를 식별함으로써 설명 가능한 요약을 가능하게 하는 것.
• 실제 네트워크의 커뮤니티 구조가 그래폰 추정과 그 다음 단계의 모듈러리티 최적화를 통해 복원될 수 있는지 조사하는 것.
• 다양한 그래폰 추정 방법이 원래 네트워크와의 비교에서 탐지된 커뮤니티 구조의 정확도에 미치는 영향을 평가하는 것.

제안 방법

• 그래폰-모듈러리티를 뉴먼-지르반 모듈러리티의 연속적 해석으로 정의하며, 단위 정사각형에서 그래폰 함수를 통합한다.
• 모듈러리티 최적화를 단위 구간의 가측 분할에 대한 연속 최적화 문제로 재구성함으로써 특정 그래폰에 대해 해석적 해를 도출할 수 있도록 한다.
• 기존 네트워크에 표준 네트워크 커뮤니티 탐지(모듈러리티 최적화)를 적용하고, 네트워크로부터 그래폰을 추정한 후의 결과와 비교한다.
• 세 가지 그래폰 추정 방법—행렬 완성, USVT, 정렬-스무딩—을 사용하여 커뮤니티 탐지의 정확도에 미치는 영향을 평가한다.
• 조정된 상호정보량(AMI), 클러스터링 비교의 표준 지표를 사용하여 네트워크 기반과 그래폰 기반 분할 간의 일치도를 평가한다.
• 아울러 호버-알도스 표현을 활용하여 그래폰을 [0,1]² 상의 함수로 표현함으로써 연속 수학 도구를 분석에 활용할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 모듈러리티 최적화는 조밀한 네트워크의 연속적 극한인 그래폰으로 의미 있게 확장될 수 있는가?
• RQ2 유한 네트워크의 커뮤니티 구조는 먼저 그래폰을 추정한 다음 모듈러리티 최적화를 적용함으로써 어느 정도 복원될 수 있는가?
• RQ3 그래폰 추정 방법의 선택이 직접 네트워크 분석 대비 결과 커뮤니티 탐지의 정확도에 어떤 영향을 미치는가?
• RQ4 특정 그래폰 클래스에서는 모듈러리티 최적화에 해석적 해가 존재하는가? 그리고 이러한 해를 가능하게 하는 구조적 특징은 무엇인가?
• RQ5 그래폰 기반 커뮤니티 탐지는 직접 네트워크 분석의 개인정보 보호적 대안이 될 수 있는가?

주요 결과

• 그래폰-모듈러리티는 연속 최적화 문제로 정의되고 최적화될 수 있으며, 블록-상수 또는 매끄러운 그래폰과 같은 특정 그래폰에 대해 해석적 해를 도출할 수 있다.
• 미국 상원 투표 네트워크의 경우, 그래폰 기반 모듈러리티 최적화는 직접 네트워크 분석과 동일한 커뮤니티 구조를 복원하며, AMI가 0.9286에 도달한다.
• 페이스북 네트워크에서는 그래폰 기반 클러스터링이 원본 네트워크 분할의 45% 정보를 복원한다(AMI = 0.45), 이는 상당한 정확도를 의미한다.
• 뇌 연결 네트워크의 경우 AMI가 0.54에 도달하여, 스무딩이 가해지더라도 그래폰 추정이 의미 있는 모듈러 구조를 유지함을 보여준다.
• 행렬 완성 추정기는 USVT나 정렬-스무딩보다 일관되게 높은 AMI 값을 기록하며(모든 값 >0.4), 후자 두 방법은 종종 근본적인 일치도가 거의 없는 결과를 낳는다.
• 정렬-스무딩 방법은 모든 데이터셋에서 열악한 성능을 보이며, AMI 값이 0.17 이하로 떨어져 이 맥락에서 커뮤니티 탐지에 대해 제한된 유용성을 가진다.