[论文解读] Evaluating network partitions through visualization

Chihiro Noguchi, Tatsuro Kawamoto|arXiv (Cornell University)|Jun 3, 2019

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出一种名为调色板图（palette diagrams）的可视化方法，用于评估通过统计推断获得的网络分区，使用户在统计标准无法得出唯一结果时仍能识别出具有信息量的聚类。该方法结合了基于 α-散度聚类的组过滤与基于等距特征映射（Isomap）的顶点排序，将高维的组分配概率转化为可解释的1D或2D可视化图像，从而揭示分区之间的模块化结构与相似性。

ABSTRACT

Network clustering requires making many decisions manually, such as the number of groups and a statistical model to be used. Even after filtering using an information criterion or regularizing with a nonparametric framework, we are commonly left with multiple candidates with reasonable partitions. In the end, the user has to decide which inferred groups should be regarded as informative. Here we propose a visualization method that efficiently represents network partitioning based on statistical inference algorithms. Our non-statistical assessment procedure based on visualization helps users extract informative groups when they cannot uniquely determine significant groups on the basis of statistical assessments. The proposed visualization is also effective for use as a benchmark test of different clustering algorithms.

研究动机与目标

• 解决当存在多个统计上合理的分组时，如何选择具有信息量的网络分区的挑战。
• 开发一种非统计的可视化工具，支持人工判断在信息准则无法解决模糊性时的聚类选择。
• 通过可视化检查分区之间的相似性与结构，实现对不同聚类算法的基准测试与比较。
• 通过过滤冗余和相似的组，减少高维组分配数据中的视觉杂乱。
• 优化顶点排序，使得具有相似组分配的顶点在空间上彼此邻近，从而增强模块化结构的视觉可解释性。

提出的方法

• 构建一个大小为 N×M₀ 的原始分配矩阵 P₀，其中 N 为顶点数，M₀ 为所有分区中组的总数。
• 使用 α-散度度量组分配分布之间的相似性，通过调节参数 α 来调整散度度量（例如，Kullback–Leibler 散度或 L2 范数）。
• 对 M₀×M₀ 的相似性矩阵执行 k-means 聚类，将相似的分布聚合成 M 个代表性组，其中 M ≤ M₀。
• 通过选择在所有顶点上分配概率之和最高的组，从每个聚类中选取最具代表性的组。
• 使用等距特征映射（Isomap）进行非线性降维，以重新排列顶点，使得具有相似组分配模式的顶点相邻，从而在1D中保持模块化结构。
• 通过在每个顶点上垂直堆叠组分配概率（以偏移原点为基准）生成一维调色板图；通过将每个组表示为带深度的彩色行来生成二维调色板图。

实验结果

研究问题

• RQ1 如何有效可视化具有重叠或软分配的网络聚类结果，以支持人工解释？
• RQ2 当统计标准无法得出明确结论时，视觉检查组分配模式在识别具有信息量的聚类方面能发挥多大作用？
• RQ3 如何自动过滤出多个分区中冗余或高度相似的组，以减少视觉复杂度？
• RQ4 哪种顶点排序策略最能保持网络分区可视化中模块化结构的完整性？
• RQ5 调色板图能否作为比较不同聚类算法的可靠基准工具？

主要发现

• 调色板图通过可视化软聚类分配，有效揭示了网络分区中的模块化结构，即使在分区存在重叠或非层次结构的情况下亦然。
• 基于 α-散度聚类的组过滤成功减少了冗余，通过合并相似组提升了视觉清晰度，同时未损失关键结构信息。
• 通过 Isomap 实现的顶点排序显著增强了视觉可解释性，使具有相似分配模式的顶点在图中相邻排列，从而更易识别出连贯的模块。
• 一维调色板图更清晰地展示了组边界的重叠情况，而二维版本则更有效地揭示了不同组之间分配模式的相似性。
• 该方法实现了对网络分区的非统计评估，当统计标准无法提供唯一解时，可有效支持用户判断。
• 该方法在多种网络类型上均表现出鲁棒性，已在爵士音乐人合作网络和合成示例中得到验证。