[论文解读] Dynamics and Modular Structure in Networks

Renaud Lambiotte, Jean‐Charles Delvenne+1 more|arXiv (Cornell University)|Dec 9, 2008

Complex Network Analysis Techniques被引用 9

一句话总结

本文提出了一种用于网络社区检测的动态稳定性度量，该度量基于图上动力学过程的统计特性进行定义。通过将该过程的时间尺度作为分辨率参数，该方法将模块度和谱聚类统一为极限情况，并实现了在大规模网络中高效、多尺度的社区检测。

ABSTRACT

Most methods proposed to uncover communities in complex networks rely on their structural properties. Here we introduce the stability of a network partition, a measure of its quality defined in terms of the statistical properties of a dynamical process taking place on the graph. The time-scale of the process acts as an intrinsic parameter that uncovers community structures at different resolutions. The stability extends and unifies standard notions for community detection: modularity and spectral partitioning can be seen as limiting cases of our dynamic measure. Similarly, recently proposed multi-resolution methods correspond to linearisations of the stability at short times. The connection between community detection and Laplacian dynamics enables us to establish dynamically motivated stability measures linked to distinct null models. We apply our method to find multi-scale partitions for different networks and show that the stability can be computed efficiently for large networks with extended versions of current algorithms.

研究动机与目标

• 解决现有社区检测方法仅依赖静态结构特性的局限性。
• 开发一种可调节分辨率的方法，以在多个尺度上发现社区。
• 在单一动态框架下统一标准的社区检测方法——模块度与谱聚类。
• 通过拉普拉斯动力学建立社区检测与零模型之间的联系。
• 通过扩展算法实现在大规模网络中高效计算社区划分。

提出的方法

• 该方法基于在图上演化动力学过程的统计特性定义稳定性度量，使用图拉普拉斯矩阵作为该过程的生成器。
• 动力学过程的时间尺度作为分辨率参数，使得能够在不同粒度层次上检测社区。
• 稳定性度量源自系统的时变演化，短时间行为近似于现有方法（如模块度与谱聚类）。
• 该方法通过动力学将社区质量与零模型联系起来，为评估划分提供了原则性基础。
• 通过现有算法的扩展版本实现高效计算，适用于大规模网络。
• 通过分析动力学过程在不同时间尺度下的稳定性，获得多尺度划分。

实验结果

研究问题

• RQ1 如何使社区检测适应多分辨率，而无需任意参数调优？
• RQ2 标准方法（如模块度与谱聚类）如何作为更一般动态框架的极限情况出现？
• RQ3 网络上的动力学过程能否提供一种原则性、统计上合理的社区质量度量？
• RQ4 动力学的时间尺度与检测到的社区分辨率之间有何关系？
• RQ5 将此类动态稳定性度量应用于大规模现实世界网络在计算上是否可行？

主要发现

• 动态稳定性度量推广了模块度与谱聚类，表明它们是特定时间尺度下的极限情况。
• 通过改变动力学过程的时间尺度，自然实现了多分辨率社区检测。
• 该方法通过拉普拉斯动力学的统计特性，直接建立了社区检测与零模型之间的联系。
• 通过优化的算法扩展，可高效计算大规模网络的稳定性度量。
• 该方法在多种现实世界网络中成功识别出有意义的多尺度社区结构。
• 在短时间尺度下对稳定性的线性近似恢复了近期提出的多分辨率方法，验证了该框架的一致性。