[论文解读] Community Detection via Semi-Synchronous Label Propagation Algorithms

Gennaro Cordasco, Luisa Gargano|arXiv (Cornell University)|Mar 23, 2011

Complex Network Analysis Techniques参考文献 12被引用 10

一句话总结

本文提出一种半同步标签传播算法（LPA），结合了同步更新的效率与异步方法的收敛保证。通过按照预定义顺序分批更新节点，同时最小化随机化，该方法确保了收敛性，提升了稳定性，并在不牺牲性能或准确性的前提下保持了高质量的社区检测。

ABSTRACT

A recently introduced novel community detection strategy is based on a label propagation algorithm (LPA) which uses the diffusion of information in the network to identify communities. Studies of LPAs showed that the strategy is effective in finding a good community structure. Label propagation step can be performed in parallel on all nodes (synchronous model) or sequentially (asynchronous model); both models present some drawback, e.g., algorithm termination is nor granted in the first case, performances can be worst in the second case. In this paper, we present a semi-synchronous version of LPA which aims to combine the advantages of both synchronous and asynchronous models. We prove that our models always converge to a stable labeling. Moreover, we experimentally investigate the effectiveness of the proposed strategy comparing its performance with the asynchronous model both in terms of quality, efficiency and stability. Tests show that the proposed protocol does not harm the quality of the partitioning. Moreover it is quite efficient; each propagation step is extremely parallelizable and it is more stable than the asynchronous model, thanks to the fact that only a small amount of randomization is used by our proposal.

研究动机与目标

• 解决纯异步或同步标签传播算法（LPAs）固有的不稳定性和收敛性问题。
• 开发一种在保证高精度的同时支持高效并行执行的社区检测方法。
• 减少标签传播过程中在标签冲突时对随机化的依赖，以提高结果的一致性。
• 通过避免同步模型中常见的循环标签振荡，确保算法收敛。
• 评估不同冲突解决策略（如LPA-Max、LPA-Prec等）对多种网络类型下稳定性与性能的影响。

提出的方法

• 提出一种半同步LPA模型，按照固定顺序分批处理节点，避免完全并行化，从而降低振荡风险。
• 采用确定性或低随机化策略解决标签冲突，优先选择节点自身标签（LPA-Prec）或最常见邻居标签（LPA-Max）。
• 引入基于单轮迭代中无标签变化的简单停止准则，确保收敛性，无需复杂检查。
• 形式化证明了在所有提出变体下，半同步LPA的收敛性，而异步模型的收敛性尚未得到证明。
• 在真实网络（如Karate、Dolphins、Cond-Mat等）上实现并比较该算法，使用模块度和稳定性指标。
• 设计实验以评估收敛速度、模块度、社区数量与大小，以及在多次运行中结果的一致性。

实验结果

研究问题

• RQ1 半同步LPA模型能否在避免同步LPA中振荡问题的同时实现收敛？
• RQ2 在不同网络类型下，与异步LPA相比，该方法在收敛速度、模块度和稳定性方面表现如何？
• RQ3 在标签冲突解决中减少随机化在多大程度上提升了结果的一致性与稳定性？
• RQ4 与标准LPA变体相比，半同步模型是否保持了高质量的社区检测？
• RQ5 在异步与半同步设置下，不同冲突解决策略（LPA-Max、LPA-Prec、LPA-Prec-Max）对收敛速度、模块度和稳定性的影响如何？

主要发现

• 半同步LPA能够可靠收敛，避免了同步LPA中因振荡导致无法终止的问题。
• 在Karate网络上，半同步LPA-Max将平均收敛步数从异步方法的80步减少至14步，显著提升了速度。
• 在Cond-Mat网络上，半同步LPA-Prec将步数从异步方法的528,772步减少至290步，凸显其可扩展性与高效性。
• 半同步方法比异步版本更稳定，多次运行中模块度得分的标准差更低。
• LPA-Prec在所有网络中均表现出最高稳定性，而LPA-Max因对随机初始标签选择敏感而极不稳定。
• 半同步模型略微减小了最大社区的规模，并增加了社区数量，有效缓解了其他变体中常见的“巨型社区”问题。