[論文レビュー] Null Models and Community Detection in Multi-Layer Networks

Subhadeep Paul, Yuguo Chen|arXiv (Cornell University)|Aug 1, 2016

Complex Network Analysis Techniques参考文献 40被引用数 10

ひとこと要約

本稿は、マルチレイヤー・ネットワークにおけるコミュニティ構造の推定を可能にする、マルチレイヤー拡張型のチュン＝ルー期待次数モデルに基づく新規なノンモデルを提案する。これにより、モジュラリティおよびモデル尤度を用いた一貫したコミュニティ検出が可能になる。ノード固有およびレイヤー固有のパラメータの推定器を導入し、その一貫性を証明するとともに、最適なノンモデルを選択するための仮説検定フレームワークを提供する。この手法は、シミュレートされたネットワークおよび実世界のマルチレイヤー・ネットワークにおいて、コミュニティ検出性能を顕著に向上させる。

ABSTRACT

Multi-layer networks are networks on a set of entities (nodes) with multiple types of relations (edges) among them where each type of relation/interaction is represented as a network layer. As with single layer networks, community detection is an important task in multi-layer networks. A large group of popular community detection methods in networks are based on optimizing a quality function known as the modularity score, which is a measure of presence of modules or communities in networks. Hence a first step in community detection is defining a suitable modularity score that is appropriate for the network in question. Here we introduce several multi-layer network modularity measures under different null models of the network, motivated by empirical observations in networks from a diverse field of applications. In particular we define the multi-layer configuration model, the multi-layer expected degree model and their various modifications as null models for multi-layer networks to derive different modularities. The proposed modularities are grouped into two categories. The first category, which is based on degree corrected multi-layer stochastic block model, has the multi-layer expected degree model as their null model. The second category, which is based on multi-layer extensions of Newman-Girvan modularity, has the multi-layer configuration model as their null model. These measures are then optimized to detect the optimal community assignment of nodes. We compare the effectiveness of the measures in community detection in simulated networks and then apply them to four real networks.

研究の動機と目的

• 複数の関係タイプが同一のノード集合上で共存するマルチレイヤー・ネットワークにおけるコミュニティ検出のための原理的で整合性のあるノンモデルの欠如に対処すること。
• ノード固有およびレイヤー固有の次数構造を考慮する、チュン＝ルー期待次数モデルのマルチレイヤー版をノンモデルとして開発すること。
• スパースネットワークの仮定の下で、モデルパラメータ（ノード次数およびレイヤー重み）の推定器の一貫性を提供すること。
• データに基づいて最も適切なノンモデルを選択するための仮説検定手順を導入すること。
• シミュレートされたおよび実世界のマルチレイヤー・ネットワークにおいて、モジュラリティおよびモデル尤度に基づく品質関数の性能を評価・比較すること。

提案手法

• ノードの各レイヤーにおける次数とレイヤー固有のエッジ密度の両方を考慮するために、チュン＝ルー期待次数モデルをマルチレイヤー化してノンモデルを構築する。
• 最尤推定の原則を用いて、ノード固有パラメータ（θ_i）およびレイヤー固有スケーリングパラメータ（β_m）の推定器を導出する。
• スパースネットワーク条件の下で推定器の一貫性を証明し、ネットワークサイズが増加するにつれて推定次数が真の期待次数に確率的に収束することを示す。
• 集中不等式（ホーフィングの不等式）を適用して、推定次数とその期待値との乖離を評価し、確率的収束を確立する。
• 異なるノンモデル仮定を比較し、与えられたデータセットに最も適合するモデルを選択するための仮説検定フレームワークを構築する。
• 選択されたノンモデルを用いて、モジュラリティスコアおよびモデル尤度に基づく品質関数を定義し、コミュニティ検出に応用する。

実験結果

リサーチクエスチョン

• RQ1 複数のレイヤーにわたる現実的な次数分布を反映するように、マルチレイヤー・ネットワークのノンモデルをどのように設計できるか？
• RQ2 スパースネットワーク条件下でのマルチレイヤー期待次数モデルにおけるパラメータ推定器の一致性の性質は何か？
• RQ3 与えられたマルチレイヤー・ネットワークに対して、最も適切なノンモデルを選択するための仮説検定手順をどのように構築できるか？
• RQ4 モジュラリティとモデル尤度に基づく品質関数は、マルチレイヤー・ネットワークにおけるコミュニティ構造検出において、どのように比較できるか？
• RQ5 モデルの誤指定は、マルチレイヤー・ネットワークにおけるコミュニティ検出性能にどのような影響を与えるか？

主な発見

• ノード次数（θ̂_i）およびレイヤー重み（β̂_m）の推定器は一貫しており、ネットワークサイズが増加するにつれて推定値と真の値の差が確率的に0に収束する。
• 正規化次数推定器 ∑ₘk_i^(m)/√(2L) は、確率的に ∑ₘκ_i^(m)/√(2ℒ) に収束し、スパースネットワークでも安定した推定が可能になる。
• シミュレーションデータにおいて、仮説検定手順は正しいノンモデル構造を的確に同定することができ、ネットワークサイズが増加するにつれて第一種および第二種の誤り率が低下する。
• 実世界のマルチレイヤー・ネットワーク（例：Twitter、C. elegans）において、提案手法のモジュラリティおよび尤度ベースの手法は、ベースライン手法を上回る性能を示し、意味のあるコミュニティ構造を検出する。
• SDモデルの尤度方程式における誤差はO(M)である一方、IDモデルではO(√(log N / N))であるため、標準的なスパース性仮定下ではIDモデルの方が推定バイアスが小さいことが示唆される。
• モデル尤度に基づく品質関数は、層間接続性に不均一性があるネットワークにおいて、単純な層別モジュラリティ集約よりも優れたコミュニティ検出性能を示す。