[논문 리뷰] Spectral Clustering for Multiple Sparse Networks: I

Sharmodeep Bhattacharyya, Shirshendu Chatterjee|arXiv (Cornell University)|2018. 05. 27.

Complex Network Analysis Techniques참고 문헌 41인용 수 24

한 줄 요약

이 논문은 다수의 희박한 네트워크에서 공통된 커뮤니티 구조를 탐지하기 위한 스펙트럴 클러스터링 방법을 제안하며, 신호 탐지 능력을 향상시키기 위해 제곱 인접행렬을 활용한다. 개별 네트워크가 탐지 가능 임계값 이하일지라도, 네트워크 수가 충분히 많다면 스토케스틱 블록 모델과 디그리-수정 블록 모델 모두에서 커뮤니티 탐지의 이론적 일致성을 확립한다.

ABSTRACT

Although much of the focus of statistical works on networks has been on static networks, multiple networks are currently becoming more common among network data sets. Usually, a number of network data sets, which share some form of connection between each other are known as multiple or multi-layer networks. We consider the problem of identifying the common community structures for multiple networks. We consider extensions of the spectral clustering methods for the multiple sparse networks, and give theoretical guarantee that the spectral clustering methods produce consistent community detection in case of both multiple stochastic block model and multiple degree-corrected block models. The methods are shown to work under sufficiently mild conditions on the number of multiple networks to detect associative community structures, even if all the individual networks are sparse and most of the individual networks are below community detectability threshold. We reinforce the validity of the theoretical results via simulations too.

연구 동기 및 목표

• 개별 네트워크가 탐지 불가능할 수 있는 다수의 희박한 네트워크에서 공통 커뮤니티 구조를 식별하는 문제에 대응하기 위해.
• 이론적 보장을 갖춘 다중 네트워크 환경에 대한 스펙트럴 클러스터링 방법을 확장하기 위해.
• 스토케스틱 블록 모델과 디그리-수정 블록 모델 모두에서 커뮤니티 탐지의 일관성을 입증하기 위해.
• 개별 네트워크가 희박하고 탐지 가능 임계값 이하일지라도 커뮤니티 탐지가 가능하다는 것을 보여주기 위해.
• 다양한 네트워크 구성에서의 시뮬레이션을 통해 이론적 결과를 검증하기 위해.

제안 방법

• 스펙트럴 클러스터링을 다수의 네트워크에서 제곱 인접행렬의 합에 적용하여 커뮤니티 신호를 강화한다.
• 제곱 인접행렬의 주요 고유벡터를 스펙트럴 클러스터링의 입력으로 사용하여 신호 대 잡음 비율을 향상시킨다.
• 이론적 분석은 고유벡터의 펌터베이션 경계와 행렬 농도 부등식을 활용하여 추정 오차를 통제한다.
• 핵심 요소로는 추정된 커뮤니티 소속 행렬과 진짜 커뮤니티 소속 행렬을 일치시키기 위한 수직 프로크루스테스 정렬을 사용한다.
• 이 방법은 스토케스틱 블록 모델과 디그리-수정 블록 모델 모두에 적용되며, 네트워크 수에 대한 약한 조건 하에서 일관성이 입증된다.
• 이론적 보장은 추정된 스펙트럴 임bedding과 진짜 스펙트럴 임bedding 간의 프로베니우스 노름 차이에 대한 경계를 통해 유도된다.

실험 결과

연구 질문

• RQ1 개별 네트워크가 커뮤니티 탐지 가능 임계값 이하일 경우, 다수의 희박한 네트워크에서 스펙트럴 클러스터링이 일관되게 커뮤니티 구조를 탐지할 수 있는가?
• RQ2 네트워크 수가 희박한 다중 네트워크 환경에서 커뮤니티 탐지의 일관성에 어떤 영향을 미치는가?
• RQ3 다중 네트워크 시스템에서 제곱 인접행렬의 합에 스펙트럴 클러스터링을 적용했을 때의 이론적 성능은 어떠한가?
• RQ4 이 방법은 스토케스틱 블록 모델과 디그리-수정 블록 모델 모두에서 일관성을 유지하는가?
• RQ5 이 방법은 다수의 네트워크에 걸쳐 집계함으로써 개별 희박한 네트워크의 약한 신호 문제를 어떻게 다루는가?

주요 결과

• 스펙트럴 클러스터링 방법은 개별 네트워크가 커뮤니티 탐지 가능 임계값 이하일지라도, 다수의 희박한 네트워크에서 일관된 커뮤니티 탐지를 달성한다.
• 이론적 분석은 네트워크 수가 네트워크 크기와 함께 충분히 증가하면 방법이 여전히 일관성을 유지함을 보여준다.
• 이 방법은 약한 커뮤니티 신호를 강화하기 위해 제곱 인접행렬을 활용하여, 희박한 환경에서의 탐지 가능성을 향상시킨다.
• 커뮤니티 탐지 오차는 추정된 스펙트럴 임bedding과 진짜 스펙트럴 임bedding 간의 프로베니우스 노름 차이에 비례하는 항으로 경계된다.
• 잘못 분류된 노드 수는 커뮤니티별 분산 항의 합과 스펙트럴 추정 오차를 포함하는 인자에 의해 경계된다.
• 시뮬레이션 결과는 이론적 발견을 확인하며, 개별 네트워크가 희박하더라도 네트워크 수가 증가할수록 탐지 정확도가 향상됨을 보여준다.