[논문 리뷰] SPONGE: A generalized eigenproblem for clustering signed networks

Mihai Cucuringu, Peter Maxwell Davies외 2명|arXiv (Cornell University)|2019. 04. 18.

Opinion Dynamics and Social Influence인용 수 25

한 줄 요약

이 논문은 서명된 네트워크를 위한 스펙트럴 클러스터링 방법인 SPONGE를 제안하며, 일반화된 고유값 문제를 해결하여 그룹 내에서 양성 간선이 지배하고 그룹 간에서 음성 간선이 지배하는 커뮤니티를 식별한다. 서명된 스토케스틱 블록 모델(Signed Stochastic Block Model) 하에서 이론적 보장을 제공하며, 특히 많은 클러스터를 가진 희박한 그래프에서 최신 기법들을 능가한다.

ABSTRACT

We introduce a principled and theoretically sound spectral method for $k$-way clustering in signed graphs, where the affinity measure between nodes takes either positive or negative values. Our approach is motivated by social balance theory, where the task of clustering aims to decompose the network into disjoint groups, such that individuals within the same group are connected by as many positive edges as possible, while individuals from different groups are connected by as many negative edges as possible. Our algorithm relies on a generalized eigenproblem formulation inspired by recent work on constrained clustering. We provide theoretical guarantees for our approach in the setting of a signed stochastic block model, by leveraging tools from matrix perturbation theory and random matrix theory. An extensive set of numerical experiments on both synthetic and real data shows that our approach compares favorably with state-of-the-art methods for signed clustering, especially for large number of clusters and sparse measurement graphs.

연구 동기 및 목표

• 간선 가중치가 양수 또는 음수인 서명된 그래프에서 k-방향 클러스터링을 위한 원칙적인 스펙트럴 방법을 개발하기 위해.
• 서명된 스토케스틱 블록 모델(Signed Stochastic Block Model, SSBM) 하에서 표본 추출의 희박성과 노이즈에 대한 이론적 강건성 보장을 제공하기 위해.
• SSBM 프레임워크 내에서 서명된 라플라시안 방법에 대한 첫 이론적 분석을 제공하기 위해.
• 특히 희박하고 고차원(k가 큰) 설정에서, 합성 및 실세계 서명된 네트워크에서 뛰어난 성능을 입증하기 위해.
• 금융 시계열 및 신뢰-불신 관계를 가진 사회적 네트워크와 같은 응용 분야에서 정확한 클러스터링을 가능하게 하기 위해.

제안 방법

• SPONGE는 양성 및 음성 간선 유사도를 기반으로 한 정규화된 스펙트럴 접근 방식을 사용하여 클러스터링을 일반화된 고유값 문제로 공식화한다.
• 양성 및 음성 인cidience 행렬 $A^+$와 $A^-$를 포함하는 일반화된 고유값 문제를 구성하며, $A^+ v = \lambda D v$ 를 해결한다. 여기서 $D$는 도수 유사 행렬이다.
• 노드를 k차원 공간으로 임bedding하기 위해 가장 큰 고유값에 해당하는 상위 $k$개 고유벡터를 선택한다.
• 정규화 파rameter $\tau^+$와 $\tau^-$를 도입하여 고유값 문제의 안정성을 높이고 노이즈 및 희박성에 대한 강건성을 향상시킨다.
• 임베딩된 공간에서 스펙트럴 클러스터링을 수행하며, 노이즈 증폭을 방지하기 위해 $k$ 또는 $k-1$개의 고유벡터를 신중히 선택한다.
• SPONGE sym은 대칭형 변형으로, 특히 고차원(k가 큰) 및 희박한 설정에서 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 SSBM 하에서 일반화된 고유값 문제 공식화가 서명된 네트워크에서 강건하고 확장 가능한 클러스터링을 달성할 수 있는가?
• RQ2 수많은 클러스터 $k$와 희박한 그래프에서 기존 방법과 비교해 SPONGE는 어떻게 성능을 발휘하는가?
• RQ3 SSBM에서 노이즈와 표본 추출의 희박성이 식별된 클러스터 복구에 미치는 이론적 영향은 무엇인가?
• RQ4 특히 고차원 및 희박한 설정에서 SPONGE는 서명된 라플라시안 방법보다 더 높은 클러스터링 정확도를 제공하는가?
• RQ5 SPONGE는 금융 상관관계 및 외환 환율과 같은 실세계 서명된 네트워크에서 의미 있는 커뮤니티 구조를 복구할 수 있는가?

주요 결과

• SPONGE는 특히 $k$가 크고 그래프가 희박할 경우(예: $k=20$ 또는 $k=50$) 합성 SSBM 그래프에서 최신 기법들을 능가한다.
• For $k=2$, 대칭형 서명된 라플라시안 ($\overline{L}_{\text{sym}}$) 이 고노이즈 조건에서 가장 우수한 성능을 보였지만, $k$가 증가함에 따라 SPONGE와 SPONGE sym이 이를 능가한다.
• SSBM 그래프에서 $n=10,000$, $k=50$, $p=0.001$ 조건에서 SPONGE sym이 가장 높은 조정된 랜드 지수(ARI)를 기록하며 모든 벤치마크를 능가한다.
• S&P 500 금융 데이터셋($n=500$개 주식)에서 SPONGE는 $k=10$ 및 $k=20$ 클러스터를 성공적으로 복구하였으며, 이는 산업 부문 기반 그룹화와 일치한다.
• 외환 환율 데이터셋에서 SPONGE와 SPONGE sym은 유로(EUR), 달러(USD), 파운드(GBP), 엔(JPY)에 해당하는 네 개의 명확한 통화 클러스터를 회복하였다 — 이는 SDR 백업을 구성하는 통화들이다.
• 대부분의 경우 $k$개가 아닌 $k-1$개의 고유벡터를 사용하는 것이 성능을 향상시키며, $k$-번째 고유벡터를 추가하면 노이즈가 유입되어 클러스터링 품질이 악화된다.