[论文解读] General Community Detection with Optimal Recovery Conditions for Multi-relational Sparse Networks with Dependent Layers

Sharmodeep Bhattacharyya, Shirshendu Chatterjee|arXiv (Cornell University)|Apr 6, 2020

Complex Network Analysis Techniques参考文献 69被引用 12

一句话总结

本文提出了一种基于平方邻接矩阵之和的谱聚类方法，用于在具有依赖层的多关系稀疏网络中进行社区检测。该方法在随机块模型（SBM）和度校正块模型（DCBM）下建立了最优恢复条件，证明了即使在单个层低于可检测性阈值时，仍能实现一致的社区检测，具有理论保证，并在多种网络场景中得到经验验证。

ABSTRACT

Multilayer and multiplex networks are becoming common network data sets in recent times. We consider the problem of identifying the common community structure for a special type of multilayer networks called multi-relational networks. We consider extensions of the spectral clustering methods for multi-relational networks and give theoretical guarantees that the spectral clustering methods recover community structure consistently for multi-relational networks generated from multilayer versions of both stochastic and degree-corrected block models even with dependence between network layers. The methods are shown to work under optimal conditions on the degree parameter of the networks to detect both assortative and disassortative community structures with vanishing error proportions even if individual layers of the multi-relational network has the network structures below community detectability threshold. We reinforce the validity of the theoretical results via simulations too.

研究动机与目标

• 解决在多关系网络中检测共同社区结构的挑战，其中单个层可能稀疏且低于可检测性阈值。
• 将谱聚类方法扩展至具有依赖层的多关系网络，确保社区恢复的理论一致性。
• 为在SBM和DCBM框架下的一致性与非一致性社区结构提供最优恢复条件。
• 通过在不同网络配置和层依赖关系下进行广泛模拟，验证理论结果。

提出的方法

• 通过聚合所有网络层的平方邻接矩阵，构建一个复合矩阵，以增强社区检测的信噪比。
• 对平方邻接矩阵的和应用谱聚类，以恢复潜在的社区结构。
• 在多层SBM和多层DCBM下进行理论分析，证明在最小度条件下可实现一致的社区恢复。
• 该方法对层之间的依赖具有鲁棒性，允许一个层中的边形成概率依赖于其他层的结构。
• 利用集中不等式和特征值扰动理论推导理论保证，确保当 n → ∞ 时误差比例趋于零。
• 在不同层数（T）、网络规模（n）和连通性参数下进行模拟，以验证在多种配置下的性能。

实验结果

研究问题

• RQ1 对平方邻接矩阵之和进行谱聚类，能否在具有依赖层的多关系稀疏网络中一致地恢复真实的社区结构？
• RQ2 在何种最小度条件下，社区检测仍能保持一致，即使单个层低于可检测性阈值？
• RQ3 在多层SBM和DCBM设置下，该方法在一致性和非一致性社区结构下的表现如何？
• RQ4 层之间的依赖在多大程度上影响恢复性能？该方法在存在此类依赖时是否仍能保证一致性？
• RQ5 随着网络规模增大，该方法是否能正确恢复社区数量？

主要发现

• 所提出的谱聚类方法在SBM和DCBM下均实现了最弱可能的度条件下的一致社区恢复，即使单个层稀疏且不可检测。
• 无论社区结构是一致性还是非一致性，当 n → ∞ 或 T → ∞ 时，该方法均能实现误差比例趋于零的社区恢复。
• 理论保证在一般层依赖条件下成立，即一个层中的边概率可依赖于其他层的结构。
• 模拟结果表明，基于平方邻接矩阵之和的算法1在SBM和DCBM设置下均优于其他方法，能更准确地恢复社区标签。
• 算法2在DCBM网络中也表现出优越的社区恢复性能，尤其在层数增加时更为显著。
• 随着 n → ∞，该方法能正确识别社区数量，展示了在模型选择中的鲁棒性。