[论文解读] Analytical Formulation of the Block-Constrained Configuration Model

Giona Casiraghi|arXiv (Cornell University)|Nov 12, 2018

Complex Network Analysis Techniques参考文献 32被引用 4

一句话总结

该论文提出了块约束配置模型（BCCM），一种生成随机图模型，通过在边重连过程中施加块结构约束，扩展了配置模型，从而在保留度分布的同时保持社区结构。该模型具有解析可解性，并通过广义超几何系综框架（gHypEG）实现高效拟合，使真实网络中的社区检测和基于AIC/BIC的模型选择成为可能。

ABSTRACT

We provide a novel family of generative block-models for random graphs that naturally incorporates degree distributions: the block-constrained configuration model. Block-constrained configuration models build on the generalised hypergeometric ensemble of random graphs and extend the well-known configuration model by enforcing block-constraints on the edge generation process. The resulting models are analytically tractable and practical to fit even to large networks. These models provide a new, flexible tool for the study of community structure and for network science in general, where modelling networks with heterogeneous degree distributions is of central importance.

研究动机与目标

• 为解决标准随机块模型（SBMs）在再现经验度序列方面的局限性，通过自然整合度异质性到块结构建模中。
• 开发一种生成模型，可在强制实施社区或块结构约束的同时，保留真实网络的度序列。
• 利用广义超几何系综框架（gHypEG）实现大规模网络的快速、解析可解的推断与模型选择。
• 通过将度校正直接嵌入边生成过程，为度校正块模型提供一种灵活且有原则的替代方案。
• 通过AIC、BIC及信息准则在真实图上进行模型拟合并比较，展示BCCM的实用性。

提出的方法

• BCCM通过将边重连限制在预定义块内，扩展了配置模型，从而保留原始度序列。
• 以广义超几何系综随机图（gHypEG）为基础，其中边的概率由顶点度和块特定倾向性决定。
• 该模型定义了一个块结构倾向矩阵Ω，其中边的概率取决于度和块成员身份，确保块约束的边形成。
• gHypEG的闭式概率分布使得似然计算、参数估计和基于信息准则（AIC/BIC）的模型评估得以高效实现。
• 该框架支持有向和无向图，支持或不支持自环，并可扩展至异质顶点或边属性。
• 通过在gHypEG框架下最大化似然进行模型拟合，块结构通过社区检测算法推断得出。

实验结果

研究问题

• RQ1 生成随机图模型能否同时保留真实网络的经验度序列和块结构？
• RQ2 块约束配置模型（BCCM）是否比标准SBMs或度校正模型对真实网络提供更优的拟合？
• RQ3 gHypEG框架能否实现大规模具有社区结构网络的快速、解析可解的推断与模型选择？
• RQ4 基于AIC和BIC等信息准则，建模真实网络的最优块数是多少？
• RQ5 在模型拟合和统计显著性方面，BCCM与现有社区检测算法相比表现如何？

主要发现

• BCCM成功保留了真实网络的度分布，同时强制实施块结构，避免了对度校正的临时处理。
• 在rfid网络中，fast_greedy和louvain算法产生的AIC（44721.18）和BIC（68161.88）最低，表明其在所有测试方法中拟合最佳。
• 在karate网络中，louvain算法得到最低AIC（1707.768）和BIC（3669.947），表明其块划分具有最小信息损失。
• 在USairports网络中，louvain算法检测到21个块，AIC（1210517）和BIC（5808828）最低，尽管spinglass因图不连通而失败，仍表现最优。
• 在enron网络中，louvain算法实现最低AIC（328924.2）和BIC（659185.1），表明其块划分具有强统计支持。
• 该框架支持似然比检验和基于信息准则的模型选择，提供了一种评估块结构统计显著性的原则化方法。