[論文レビュー] Multi-level algorithms for modularity clustering

Andreas Noack, Randolf Rotta|ArXiv.org|Dec 22, 2008

Complex Network Analysis Techniques参考文献 28被引用数 8

ひとこと要約

本稿では、重要性に基づく1ステップグリーディー粗縮と多段階のリファインメントを組み合わせることで、既存のヒューリスティクスを凌駆する、モジュラリティクラスタリングのためのマルチレベルアルゴリズムを提案する。単純な粗縮基準と多段階のリファインメントが、モジュラリティと効率性を顕著に向上させることを示しており、品質と速度の両面で最先端のアルゴリズムと同等の性能を発揮するSS-Sig+MLヒューリスティクスを実現している。

ABSTRACT

Modularity is one of the most widely used quality measures for graph clusterings. Maximizing modularity is NP-hard, and the runtime of exact algorithms is prohibitive for large graphs. A simple and effective class of heuristics coarsens the graph by iteratively merging clusters (starting from singletons), and optionally refines the resulting clustering by iteratively moving individual vertices between clusters. Several heuristics of this type have been proposed in the literature, but little is known about their relative performance. This paper experimentally compares existing and new coarsening- and refinement-based heuristics with respect to their effectiveness (achieved modularity) and efficiency (runtime). Concerning coarsening, it turns out that the most widely used criterion for merging clusters (modularity increase) is outperformed by other simple criteria, and that a recent algorithm by Schuetz and Caflisch is no improvement over simple greedy coarsening for these criteria. Concerning refinement, a new multi-level algorithm is shown to produce significantly better clusterings than conventional single-level algorithms. A comparison with published benchmark results and algorithm implementations shows that combinations of coarsening and multi-level refinement are competitive with the best algorithms in the literature.

研究の動機と目的

• モジュラリティの品質と計算効率の観点から、さまざまな粗縮およびリファインメントヒューリスティクスを、モジュラリティクラスタリングにおいて評価・比較すること。
• 特に広く使われているか、複雑なヒューリスティクスと比較して、粗縮およびリファインメントプロセスにおける優れた設計選択を同定すること。
• 単純で効率的な粗縮と多段階リファインメントの組み合わせが、より複雑でパrameterチューニングが必要なアルゴリズムと同等またはそれを上回る性能を発揮できることを示すこと。
• 公開済みの実装とベンチマーク結果の包括的比較を通じて、提案手法の実用的意義を検証すること。

提案手法

• モジュラリティの向上に基づくマージと比較して優れた性能を示す、クラスタマージの「重要性」に基づく新しい粗縮戦略を提案する。
• 粗縮された階層の複数の段階でリファインメントを適用する多段階リファインメントアルゴリズムを導入し、局所探索の効果を高める。
• 比較のためのベースラインとして、モジュラリティを最大化するためのグリーディー頂点再割り当てを用いる単一レベルリファインメントを採用する。
• マージ割合、マージ優先順位決定者、リファインメントアルゴリズム、縮小率という4つの次元からなる体系的なデザインスペースを構築する。
• 高速グリーディ、SchuetzとCaflischのマルチステップ、WakitaとTsurumiの手法を含む、粗縮およびリファインメントのヒューリスティクスの組み合わせを採用し、比較評価を実施する。
• 一貫した実験条件のもとで公開アルゴリズムを再実装し、公平な比較を保証する。

実験結果

リサーチクエスチョン

• RQ1 重要性に基づく粗縮が、最終的なモジュラリティと実行時間の観点で、モジュラリティ上昇に基づくマージよりも優れているか？
• RQ2 単一レベルリファインメントと比較して、多段階リファインメントはクラスタリング品質を顕著に向上させられるか？
• RQ3 粗縮とリファインメントのヒューリスティクスの組み合わせは、最先端のアルゴリズムと比較して、モジュラリティと効率性の両面で優れているか？
• RQ4 提案されたSS-Sig+MLヒューリスティクスは、公開実装と比較して、モジュラリティと速度の両面で競争力を持っているか？
• RQ5 リファインメントの性能は、粗縮アルゴリズムの選択に依存するか？

主な発見

• 1ステップグリーディー粗縮（SS-Sig）による重要性に基づくマージは、一貫してモジュラリティ上昇に基づくマージを上回り、計算効率も優れている。
• 多段階リファインメント（ML）は、単一レベルリファインメントと比較して、単純な粗縮と組み合わせても、モジュラリティを顕著に向上させる。
• 提案されたSS-Sig+MLヒューリスティクスは、BlondelらやReichardtらの最良実装を上回る高いモジュラリティを達成し、後者よりも高速である。
• パrameterチューニングを一切必要としないにもかかわらず、SS-Sig+MLヒューリスティクスは、SchuetzとCaflischの複雑なマルチステップアルゴリズムを、モジュラリティと実行時間の両面で上回っている。
• より単純なSS-Sig+SLバージョンですら、競争力のある結果を生み出しており、多段階リファインメントが性能向上の鍵であることが示された。
• 本研究では、多段階リファインメントがモジュラリティクラスタリングにおいて極めて効果的であることが確認された。これは、従来は最小カット問題に限られていたが、モジュラリティへの応用はまだ十分に行われていなかった。