[논문 리뷰] Pairwise Covariates-adjusted Block Model for Community Detection

Sihan Huang, Sun, Jiajin외 1명|arXiv (Cornell University)|2018. 07. 10.

Complex Network Analysis Techniques참고 문헌 51인용 수 9

한 줄 요약

이 논문은 스토케스틱 블록 모델의 일반화인 쌍별 공변량 조정 블록 모델(PCABM)을 제안한다. 이 모델은 네트워크 내 커뮤니티 탐지 성능을 향상시키기 위해 쌍별 공변량을 통합한다. 엣지 발생 확률을 커뮤니티 소속과 공변량의 함수로 모델링함으로써, 희박성 조건 하에서 커뮤니티 할당과 공변량 계수의 일致 추정을 달성하며, 스펙트럴 클러스터링과 조정(SCWA)은 계산적으로 효율적인 해법을 제공하고, 특징 선택 알고리즘은 혼동 공변량에 대한 강건성을 보장한다.

ABSTRACT

One of the most fundamental problems in network study is community detection. The stochastic block model (SBM) is a widely used model, for which various estimation methods have been developed with their community detection consistency results unveiled. However, the SBM is restricted by the strong assumption that all nodes in the same community are stochastically equivalent, which may not be suitable for practical applications. We introduce a pairwise covariates-adjusted stochastic block model (PCABM), a generalization of SBM that incorporates pairwise covariate information. We study the maximum likelihood estimates of the coefficients for the covariates as well as the community assignments. It is shown that both the coefficient estimates of the covariates and the community assignments are consistent under suitable sparsity conditions. Spectral clustering with adjustment (SCWA) is introduced to efficiently solve PCABM. Under certain conditions, we derive the error bound of community detection under SCWA and show that it is community detection consistent. In addition, we investigate model selection in terms of the number of communities and feature selection for the pairwise covariates, and propose two corresponding algorithms. PCABM compares favorably with the SBM or degree-corrected stochastic block model (DCBM) under a wide range of simulated and real networks when covariate information is accessible.

연구 동기 및 목표

• 커뮤니티 내 노드의 확률적 동일성이라는 스토케스틱 블록 모델(SBM)의 한계를 해결하기 위해, 이는 실세계 네트워크에서 자주 실패한다.
• 네트워크 구조에 영향을 주는 공변량 정보를 통합하여 커뮤니티 탐지 정확도를 향상시키는 모델을 개발하기 위해.
• 적절한 희박성 조건 하에서 커뮤니티 할당과 공변량 계수 추정의 이론적 일관성을 확립하기 위해.
• PCABM 하에서 커뮤니티 탐지를 위한 효율적인 알고리즘인 스펙트럴 클러스터링과 조정(SCWA)을 제안하기 위해.
• 커뮤니티 수와 관련 공변량을 식별하기 위한 모델 선택 및 특징 선택 절차를 개발하기 위해.

제안 방법

• 엣지 발생 확률이 커뮤니티 레이블과 쌍별 공변량을 모두 고려한 로그선형 모델을 통해 의존하는 쌍별 공변량 조정 블록 모델(PCABM)을 제안한다.
• 최대우도추정(MLE)을 사용하여 커뮤니티 할당과 공변량 계수를 동시에 추정하며, 희박성 조건 하에서 일관성을 증명한다.
• 스펙트럴 클러스터링과 조정(SCWA)을 도입한다. 이는 두 단계로 구성되며, 첫 번째로 공변량 계수 추정치를 사용해 인접행렬을 조정하고, 두 번째로 조정된 행렬에 스펙트럴 클러스터링을 적용한다.
• 교차검증 손실 기반의 단계적 공변량 선택 알고리즘(알고리즘 5)을 개발하여 관련 있는 쌍별 공변량을 선별하고 혼동 효과를 방지한다.
• SCWA 하에서 커뮤니티 탐지의 이론적 오차 한계를 유도하며, 미약한 정규성 조건 하에서 일관성을 보여준다.
• 공변량 선택 과정에서 훈련 단계에서의 누락 데이터 처리를 위해 행렬 완성과 반복 최적화 기법을 활용한다.

실험 결과

연구 질문

• RQ1 스토케스틱 블록 모델에 쌍별 공변량을 통합함으로써 실세계 네트워크에서 커뮤니티 탐지 정확도를 향상시킬 수 있는가?
• RQ2 희박성 조건 하에서 커뮤니티 할당과 공변량 계수의 최대우도 추정치는 일관성이 있는가?
• RQ3 스펙트럴 클러스터링과 조정(SCWA)은 PCABM 하에서 일관된 커뮤니티 탐지를 달성하는가?
• RQ4 특징 선택 알고리즘이 혼동되거나 관련 없는 공변량을 걸러내며 진정한 쌍별 공변량을 효과적으로 식별할 수 있는가?
• RQ5 공변량 정보가 가용할 경우, PCABM은 SBM과 DCBM에 비해 커뮤니티 탐지 성능에서 어떻게 비교되는가?

주요 결과

• PCABM에서 커뮤니티 할당과 공변량 계수의 최대우도 추정치는 적절한 희박성 조건 하에서 일관성이 있다.
• 스펙트럴 클러스터링과 조정(SCWA)은 커뮤니티 탐지 일관성을 달성하며, 이론적 오차 한계와 함께 계산적으로 효율적인 해법을 제공한다.
• 제안된 특징 선택 알고리즘(알고리즘 5)은 진짜 공변량을 성공적으로 식별하고, 관련 없는 공변량을 배제한다. 상관계수가 0.7 이하일 경우 100회의 반복에서 진짜 공변량 Z에 대해 100%의 선택 정확도를 기록한다.
• 시뮬레이션 결과, 선택된 공변량을 사용한 SCWA는 진짜 공변량만 사용하는 오라클 모델과 거의 동일한 성능을 보이며, 진짜와 가짜 공변량을 모두 사용하는 모델보다 유의미하게 뛰어난 성능을 보였다.
• 실제 네트워크와 다양한 시뮬레이션 환경에서, 쌍별 공변량 정보가 가용할 경우 PCABM은 SBM과 DCBM를 초월하며, 특히 혼동 효과를 감소시키는 데서 뛰어난 성능을 보였다.
• 학교 친구 관계 데이터에 대한 실증 결과는 PCABM이 학교와 민족성에 기반한 커뮤니티를 효과적으로 탐지할 수 있음을 보여주며, 시각화 결과는 예측된 커뮤니티 구조와 진짜 구조 간 강력한 일치를 보였다.