[論文レビュー] Spiking spin-glass models for label propagation and community detection

Kathleen E. Hamilton, Travis S. Humble|arXiv (Cornell University)|Jan 10, 2018

Advanced Memory and Neural Computing被引用数 3

ひとこと要約

本稿では、スパikingニューロンの完全結合でエッジ重み付きネットワークを用いて、無向かつ重みなしグラフにおけるラベル伝播およびコミュニティ検出のためのスパikingスピンガラスモデルを提案する。この手法はスパイク応答を二値信号にデコードし、ハミング距離を用いて類似度を計算し、パラメータの事前学習を必要とせず、128頂点のグラフおよび多様なコミュニティサイズに対して有効性を示している。

ABSTRACT

In this paper we present results from a method of community detection using label propagation in undirected, unweighted graphs which incorporates elements of neural computing and spike-based data. Using a fully connected, edge-weighted system of spiking neurons driven by external currents, we generate spike responses that are decoded into a binary signal. The similarity between pairs of signals is quantified using a Hamming-distance based metric and is used to classify vertices into communities. We test our approach on a set of graph instances, each with 128 vertices and either homogeneous or heterogeneous community size distributions. We present our method as a candidate for a split-computing workflow that incorporates neuromorphic hardware and does not require extensive pre-training of network parameters.

研究の動機と目的

• スパキングニューロンダイナミクスと神経形状の原則を活用して、効率的なグラフ解析を実現するコミュニティ検出手法を開発すること。
• 広範なパrameterチューニングを要しない、均一または非均一なコミュニティサイズ分布を示すグラフにおけるコミュニティ検出の課題に対処すること。
• 神経形状ハードウェアアーキテクチャと互換性のあるスプリットコンピューティングワークフローとして動作するシステムを設計すること。
• スパイクベースの信号デコードとハミング距離類似度を用いて、無向グラフにおけるコミュニティ分類の根拠を検討すること。

提案手法

• 各頂点を表すグラフ内の各ニューロンを用いた、完全結合でエッジ重み付きのスパキングニューロンネットワークを用いる。
• 外部電流がスパキングニューロンを駆動し、ネットワークのダイナミクスに基づいた時間的スパイク応答を生成する。
• スパイク応答は、後続の類似度計算のための二値信号にデコードされる。
• 頂点ペア間の類似度は、二値信号に適用されたハミング距離に基づく指標を用いて定量化される。
• 類似度スコアが高いかつハミング距離に基づくグループ化によってコミュニティ分類が実行される。
• この手法は、ネットワークパラメータの事前学習を必要としない、トレーニングフリーであるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 スパイクベースのダイナミクスを有するスパキングニューロンネットワークモデルは、無向グラフにおけるコミュニティ検出のためのラベル伝播を効果的に実行できるか？
• RQ2 スパイク応答から導出されたハミング距離ベースの類似度指標は、従来のコミュニティ検出指標と比較して、正確性および頑健性において優れているか？
• RQ3 この手法は、均一および非均一なコミュニティサイズ分布を示すグラフにおいて、どの程度コミュニティを検出できるか？
• RQ4 提案されたモデルは、事前学習を要せず、神経形状ハードウェアを用いたスプリットコンピューティングワークフローに展開可能か？

主な発見

• パラメータの事前学習を必要とせず、スパイク応答ダイナミクスとハミング距離類似度のみを用いて、頂点がコミュニティに正常に分類された。
• このアプローチは、128頂点のグラフおよび均一・非均一なコミュニティサイズ分布を示すグラフインスタンスにおいて、頑健な性能を示した。
• スパイクベースのデコードとハミング距離の組み合わせにより、頂点ペア間の類似度の定量化が効果的に行われ、コミュニティ割り当てが可能になった。
• モデルは神経形状ハードウェアと互換性があり、スプリットコンピューティングワークフローをサポートしており、従来のディープラーニングのトレーニングパイプラインへの依存を低減した。