[论文解读] An inferential procedure for community structure validation in networks.

Luisa Cutillo, Mirko Signorelli|arXiv (Cornell University)|Oct 18, 2017

Complex Network Analysis Techniques参考文献 15被引用 3

一句话总结

本文提出了一种推断性程序，通过改编网络富集分析的概念，用于验证网络中的社区结构。该方法可比较不同的节点划分，评估网络之间的结构相似性，并评估聚类算法的性能，为确定哪种划分最能代表有意义的社区结构提供了统计学基础方法。

ABSTRACT

`Community structure' is a commonly observed feature of real networks. The term refers to the presence in a network of groups of nodes (communities) that feature high internal connectivity and are poorly connected to each other. Whereas the issue of community detection has been addressed in several works, the problem of validating a partition of nodes as a good community structure for a network has received little attention and remains an open issue. We propose an inferential procedure for community structure validation of network partitions, which relies on concepts from network enrichment analysis. The proposed procedure allows to compare the adequacy of different partitions of nodes as community structures. Moreover, it can be employed to assess whether two networks share the same community structure, and to compare the performance of different network clustering algorithms.

研究动机与目标

• 为解决网络中社区结构划分缺乏正式验证方法的问题。
• 提供一个统计框架，以评估给定的节点划分是否反映了有意义的社区结构。
• 使能够在社区结构适当性方面比较多个网络划分。
• 评估两个网络是否具有相同的潜在社区结构。
• 使用一致的验证标准，对不同网络聚类算法的性能进行评估和排序。

提出的方法

• 该方法采用网络富集分析的概念，评估网络中节点分组的统计显著性。
• 它提出一个假设检验，以评估给定的节点划分是否表现出高于随机预期的内部连通性。
• 该流程使用一个零模型，保留网络的度分布，同时随机化连接以生成基线期望。
• 它基于在零模型下观察到的社区内边数与期望分布的比较，为每个划分计算一个 p 值。
• 该推断框架允许通过根据统计显著性对划分进行排序，实现对多个划分的直接比较。
• 该方法扩展用于通过使用共享划分质量度量测试结构相似性，比较两个网络之间的社区结构。

实验结果

研究问题

• RQ1 我们如何统计地验证给定的节点划分是否构成网络中有意义的社区结构？
• RQ2 可用于比较同一网络中不同社区划分质量的标准是什么？
• RQ3 两个网络在多大程度上可被认为具有相同的社区结构？
• RQ4 如何客观地评估和排序不同网络聚类算法的性能？

主要发现

• 所提出的推断程序为验证网络中的社区结构划分提供了统计上可靠的方法。
• 该方法能够可靠地比较多个节点划分，识别出最能反映一致社区结构的划分。
• 该方法成功检测到网络之间的结构相似性，从而实现对社区组织的跨网络验证。
• 该方法通过根据统计显著性对聚类算法输出进行排序，提供了一种系统化的方法来评估聚类算法。
• 由于依赖于明确定义的零模型，该框架对网络规模和度分布的变化具有鲁棒性。
• 该流程支持对社区结构的假设检验，增强了网络分析中的可解释性和可重复性。