[论文解读] Detecting and Localizing Anomalous Cliques in Inhomogeneous Networks using Egonets

Bhadra, Subhankar, Sengupta, Srijan|arXiv (Cornell University)|Jul 24, 2018

Complex Network Analysis Techniques参考文献 42被引用 8

一句话总结

本文提出了一种计算高效、基于egonet的统计方法，用于检测和定位大型非均匀网络中的小型异常团状子图。通过利用局部邻域统计量以及基于二项尾概率推导出的显著性阈值，该方法即使在团的大小相对于网络较小时也表现出高检测能力，优于标准的社区检测技术，尤其在识别小型密集子图方面表现更优。

ABSTRACT

Cliques, or fully connected subgraphs, are among the most important and well-studied graph motifs in network science. We consider the problem of finding a statisti- cally anomalous clique hidden in a large network. There are two parts to this problem: (1) detection, i.e., determining whether an anomalous clique is present, and (2) localization, i.e., determining which vertices of the network constitute the detected clique. While this problem has been extensively studied under the homogeneous Erdos-Renyi model, little progress has been made beyond this simple setting, and no existing method can perform detection and localization in inhomogeneous networks within finite time. To address this gap, we first show that in homogeneous networks, the anomalousness of a clique depends solely on its size. This property does not carry over to inhomogeneous networks, where the identity of the vertices forming the clique plays a critical role, and a smaller clique can be more anomalous than a larger one. Building on this insight, we propose a unified method for clique detection and localization based on a class of subgraphs called egonets. The proposed method generalizes to a wide variety of inhomogeneous network models and is naturally amenable to parallel computing. We establish the theoretical properties of the proposed method and demonstrate its empirical performance through simulation studies and application to two real world networks.

研究动机与目标

• 为解决静态网络中异常子图检测这一研究不足的问题，特别聚焦于小型密集团状子图的检测。
• 开发一种即使在大型稀疏背景网络中也能检测和定位此类团状子图的方法。
• 克服传统社区检测方法的局限性，如分辨率极限问题，后者无法识别小型非对称团状子图。
• 提供一种具有统计理论基础、计算高效且适用于并行化处理的方案，适用于多种网络模型。

提出的方法

• 该方法使用egonet——即每个节点的局部邻域——来计算每个节点邻域内的边数。
• 对于每个egonet，基于估计的边概率 $\hat{p}$ 的二项分布计算p值，以建模在无异常的原假设下预期的边数。
• 全局检验统计量 $T_n$ 定义为所有egonet p值中的最小值，若某节点的egonet p值低于 $\alpha/n$，则将其标记为异常。
• 该方法采用两步推断：首先，从网络中估计整体边概率 $\hat{p}$；其次，计算每个egonet的特定p值，并应用多重假设检验校正。
• 通过使用浓度不等式和二项分布的尾部界限，推导出理论保证，以控制第一类错误并确保检测能力。
• 由于其基于节点的局部计算结构，该方法对网络非均匀性具有鲁棒性，并且具有高效的可扩展性。

实验结果

研究问题

• RQ1 基于局部egonet的方法能否在全局社区检测失效的大型稀疏网络中，成功检测出小型密集异常团状子图？
• RQ2 当异常团状子图较小时且结构不平衡时，与谱聚类及其他社区检测技术相比，egonet方法的性能如何？
• RQ3 在不同网络模型下，基于egonet的异常检测程序的理论第一类错误率控制和检测能力如何？
• RQ4 该方法如何处理网络的非均匀性以及网络中不同区域边概率的变化？

主要发现

• egonet方法即使在团较小（例如10个节点）且嵌入于大型网络（例如500个节点）时，也能成功检测并定位异常团状子图，其性能优于谱聚类。
• 理论分析表明，在原假设下，第一类错误率随着 $n \to \infty$ 而收敛至 $\alpha$，确保了错误控制的合理性。
• 在备择假设（即存在团状子图）下，该方法的渐近检测能力为1，意味着随着网络规模增大，能以高概率正确识别出该团状子图。
• 该方法对网络非均匀性具有鲁棒性，并在多种网络模型（包括随机块模型和Erdős–Rényi图）中保持高性能。
• 模拟研究证实，egonet方法在多种网络配置下均保持高统计功效和低假阳性率。
• 在基准数据集上的实证结果表明，该方法能够识别出具有实际意义的异常子图，如金融交易圈或社交回音室。