[논문 리뷰] Stability of graph communities across time scales

Jean‐Charles Delvenne, Sophia N. Yaliraki외 1명|arXiv (Cornell University)|2008. 12. 09.

Complex Network Analysis Techniques인용 수 14

한 줄 요약

이 논문은 그래프 커뮤니티 검출을 위한 시간스케일에 따라 달라지는 안정성 측도를 제안하며, 군집화된 그래프 위의 마코프 과정의 자기공분산을 사용하여 다양한 내재된 시간스케일에서 분할 품질을 평가한다. 이 방법은 modularity(t=1), normalized cut, 스펙트럴 클러스터링(t→∞)을 통합하여 해상도 적응형 커뮤니티 검출을 가능하게 하며, modularity의 해상도 한계 문제를 해결하고 시간이 지남에 따라 세밀한 것에서 거친 것으로 이르는 계층적 클러스터링을 드러낸다.

ABSTRACT

The complexity of biological, social and engineering networks makes it desirable to find natural partitions into communities that can act as simplified descriptions and provide insight into the structure and function of the overall system. Although community detection methods abound, there is a lack of consensus on how to quantify and rank the quality of partitions. We show here that the quality of a partition can be measured in terms of its stability, defined in terms of the clustered autocovariance of a Markov process taking place on the graph. Because the stability has an intrinsic dependence on time scales of the graph, it allows us to compare and rank partitions at each time and also to establish the time spans over which partitions are optimal. Hence the Markov time acts effectively as an intrinsic resolution parameter that establishes a hierarchy of increasingly coarser clusterings. Within our framework we can then provide a unifying view of several standard partitioning measures: modularity and normalized cut size can be interpreted as one-step time measures, whereas Fiedler's spectral clustering emerges at long times. We apply our method to characterize the relevance and persistence of partitions over time for constructive and real networks, including hierarchical graphs and social networks. We also obtain reduced descriptions for atomic level protein structures over different time scales.

연구 동기 및 목표

• 복잡한 네트워크에서 커뮤니티 분할 품질 평가에 대한 합의 부족 문제를 해결하기 위해.
• 그래프 분할을 순위 매기고 비교하기 위한 동적이고 시간스케일에 따라 달라지는 프레임워크를 제공하기 위해.
• 마코프 시간를 통해 내재된 해상도 파rameter를 도입함으로써 modularity의 해상도 한계 문제를 극복하기 위해.
• 기존의 커뮤니티 검출 측도(예: modularity, normalized cut, 스펙트럴 클러스터링)를 단일 확률적 프레임워크 아래 통합하기 위해.
• 합성 및 실세계 네트워크에서 다중스케일 역학을 보이는 네트워크에서 지속적이고 관련성이 있는 커뮤니티 구조를 식별할 수 있도록 하기 위해.

제안 방법

• 그래프 분할의 안정성을 마코프 과정이 정의된 그래프 위에서의 군집화된 자기공분산으로 정의한다.
• 마코프 시간 t를 내재된 해상도 파rameter로 사용하여 모든 시간스케일, 포함 분수형 t에서도 분할 평가가 가능하도록 한다.
• 분할된 그래프 위의 집합화된 마코프 체인의 전이행렬 R_t의 트레이스로 안정성 측도 R(t)를 수식화한다.
• modularity와 normalized cut가 t=1에서의 안정성에 해당하며, Fiedler의 스펙트럴 클러스터링은 t→∞ 극한에 해당함을 입증한다.
• 계층적 그래프, 사회 네트워크, 단백질 구조를 포함한 실세계 및 합성 네트워크에 안정성 프레임워크를 적용하여 시간스케일에 따라 특화된 클러스터링을 추출한다.
• 연속시간 안정성의 버전을 사용하여 modularity의 해상도 한계를 초월한 영역을 분석하고, 선형화된 다중해상도 방법과 연결한다.

실험 결과

연구 질문

• RQ1 다양한 시간스케일에서 그래프 분할의 품질을 정량적으로 어떻게 측정할 수 있는가?
• RQ2 modularity, normalized cut, 스펙트럴 클러스터링과 같은 기존의 커뮤니티 검출 측도를 단일 프레임워크로 통합할 수 있는가?
• RQ3 마코프 시간는 커뮤니티 검출에서 내재된 해상도 파rameter로 어떻게 작용하는가?
• RQ4 지속적인 역학적 웅덩이와 네트워크 내 안정된 커뮤니티 구조 사이의 관계는 무엇인가?
• RQ5 안정성 측도는 다중스케일 역학을 보이는 네트워크에서 관련성 있고 지속적인 분할을 식별할 수 있는가?

주요 결과

• 안정성 측도 R(t)는 시간스케일에 따라 달라지는 분할 품질 평가를 제공하며, 높은 안정성은 더 일관되고 지속적인 커뮤니티를 의미한다.
• modularity와 normalized cut는 t=1에서 안정성 측도의 특수한 경우로 밝혀져, 이들이 한 단계 측정으로서의 사용을 정당화한다.
• Fiedler의 스펙트럴 클러스터링은 t→∞ 극한에서 나타나는 안정성의 극한으로서 나타나며, 스펙트럴 방법과 장기적인 역학적 지속성 간의 연결 고리를 제공한다.
• 작은 t에서의 세밀한 클러스터링(분수형 시간 포함)을 允허함으로써 이 방법은 modularity의 해상도 한계를 피한다.
• 이 프레임워크는 t가 증가함에 따라 세밀한 것에서 거친 것으로 이르는 클러스터링의 계층을 드러내며, 장기간의 시간 창에서 관련성이 있는 분할을 식별하는 데 기여한다.
• 단백질 구조에 적용한 결과, 커뮤니티 안정성 측도가 다양한 역학적 시간스케일에서 기능적으로 관련성이 있는 구조 모티프를 식별함을 보여주었다.