[论文解读] The Continuous Configuration Model: A Null for Community Detection on Weighted Networks.

John Palowitch, Shankar Bhamidi+1 more|arXiv (Cornell University)|Jan 21, 2016

Complex Network Analysis Techniques参考文献 54被引用 7

一句话总结

本文提出了连续配置模型（CCM），这是一种用于稀疏加权网络的零模型，可实现统计上显著的社区检测。通过证明边权和的中心极限定理，作者开发了CCME——一种结合迭代多重检验与CCM的方法，用于识别社区，尤其在过滤模拟和现实网络中的背景节点方面表现出色。

ABSTRACT

Community detection is the process of grouping strongly connected nodes in a network. Many community detection methods for un-weighted networks have a theoretical basis in a null model, which provides an interpretation of resulting communities in terms of statistical significance. In this paper, we introduce a null for sparse weighted networks called the continuous configuration model. We prove a Central Limit Theorem for sums of edge weights under the model, and propose a community extraction method called CCME which combines this result with an iterative multiple testing framework. To benchmark the method, we provide a simulation framework that incorporates the continuous configuration model as a way to plant null or nodes in weighted networks with communities. We show CCME to be competitive with existing methods in accurately identifying both disjoint and overlapping communities, while being particularly effective in ignoring background nodes when they exist. We present two real-world data sets with potential background nodes and analyze them with CCME, yielding results that correspond to known features of the data.

研究动机与目标

• 解决稀疏加权网络中社区检测缺乏统计基础零模型的问题。
• 开发一种方法，以区分边权随机波动与有意义的社区结构。
• 在存在不属于任何社区的背景节点时，提升检测准确性。
• 基于连续配置模型提供一个模拟框架，用于基准测试社区检测算法。
• 在具有可疑背景节点的真实世界数据集中验证该方法，确保结果与领域知识一致。

提出的方法

• 提出连续配置模型（CCM）作为稀疏加权网络的零模型，其中边权在节点强度给定条件下条件独立。
• 在CCM下建立边权和的中心极限定理，支持对社区显著性的统计推断。
• 开发CCME（基于连续配置模型的提取方法），一种利用CCM推导出的p值进行迭代多重检验的框架，以识别社区。
• 通过逐步移除显著性较低的节点来优化社区结构，聚焦于统计上显著的分组。
• 使用CCM生成零网络用于模拟，实现对社区检测性能的受控评估。
• 采用结合统计检验与迭代优化的社区提取流程，以检测互不相交和重叠的社区。

实验结果

研究问题

• RQ1 如何构建加权网络的零模型，以支持社区检测中的统计推断？
• RQ2 在连续配置模型下，能否为边权和建立中心极限定理？
• RQ3 所提出的CCME方法是否在识别加权网络中的社区方面优于现有社区检测算法？
• RQ4 CCME在过滤不属于任何社区的背景节点方面效果如何？
• RQ5 该方法能否在具有可疑背景节点的真实加权网络中恢复已知的结构特征？

主要发现

• 连续配置模型为稀疏加权网络中的边权和提供了有效的零分布，支持统计检验。
• 在CCM下边权和的中心极限定理支持在社区检测中使用渐近p值。
• 与现有方法相比，CCME在识别互不相交和重叠社区方面表现出具有竞争力的性能。
• 在模拟中，CCME在检测社区的同时有效过滤背景节点，表现尤为突出。
• 在具有可疑背景节点的真实世界数据集中，CCME识别出的社区与已知的领域特定特征一致。
• 基于CCM的模拟框架可实现对加权网络中社区检测算法的受控基准测试。