[论文解读] Generative Benchmark Models for Mesoscale Structures in Multilayer Networks.

Marya Bazzi, Lucas G. S. Jeub+3 more|arXiv (Cornell University)|Aug 22, 2016

Complex Network Analysis Techniques被引用 17

一句话总结

本文提出了一种用于多层网络中微观结构的生成基准模型，该模型显式编码了层间依赖关系，实现了社区检测算法的标准化评估。该模型提供了一个可调节参数的原理性零模型框架，使不同多层网络拓扑结构下社区检测方法的严格比较成为可能。

ABSTRACT

Multilayer networks allow one to represent diverse and interdependent connectivity patterns --- e.g., time-dependence, multiple subsystems, or both --- that arise in many applications and which are difficult or awkward to incorporate into standard network representations. In the study of multilayer networks, it is important to investigate (i.e., intermediate-scale) structures, such as dense sets of nodes known as that are connected sparsely to each other, to discover network features that are not apparent at the microscale or the macroscale. A variety of methods and algorithms are available to identify communities in multilayer networks, but they differ in their definitions and/or assumptions of what constitutes a community, and many scalable algorithms provide approximate solutions with little or no theoretical guarantee on the quality of their approximations. Consequently, it is crucial to develop generative models of networks to use as a common test of community-detection tools. In the present paper, we develop a family of benchmarks for detecting mesoscale structures in multilayer networks by introducing a generative model that can explicitly incorporate dependency structure between layers. Our benchmark provides a standardized set of null models, together with an associated set of principles from which they are derived, for studies of mesoscale structures in multilayer networks. We discuss the parameters and properties of our generative model, and we illustrate its use by comparing a variety of community-detection methods.

研究动机与目标

• 为解决评估多层网络中社区检测缺乏标准化基准的问题，特别是针对微观结构的评估。
• 开发一种能够整合网络层之间依赖结构的生成模型，以反映随时间变化或包含多子系统的现实世界网络中的相互依赖性。
• 提供一个原理性、参数化的零模型框架，用于测试社区检测算法的性能与鲁棒性。
• 通过提供具有受控结构特性的统一评估平台，实现对现有社区检测方法的公平且系统化的比较。

提出的方法

• 提出一种多层网络的生成模型，通过共享或相关联的社区结构显式建模层间的依赖关系。
• 通过调整层间相关性强度、社区重叠程度和层连通性模式等参数，定义了一类零模型。
• 采用扩展至多层设置的随机块模型原理，实现对具有已知微观结构的网络进行受控生成。
• 引入一个参数化框架，系统性地调节层间相似度和社区持续性程度。
• 采用分层随机块模型，其中节点社区在各层中以指定相关性生成，从而能够构建现实的基准网络。
• 通过在受控结构条件下应用该模型比较多种社区检测算法，验证了模型的实用性。

实验结果

研究问题

• RQ1 如何系统性地建模多层网络中的层间依赖关系，以作为社区检测算法基准的基础？
• RQ2 在生成模型中，哪些参数对跨层微观结构的可检测性影响最大？
• RQ3 在由所提出的基准生成的受控、已知网络结构下，不同社区检测算法的表现如何？
• RQ4 当层间依赖关系非平凡或存在社区重叠时，现有算法在多大程度上会失效而无法检测到社区？

主要发现

• 所提出的生成模型能够成功生成具有可调层间依赖关系和已知微观结构社区的多层网络。
• 社区检测算法的表现因层间相关性的强度和性质而异，部分方法在高重叠或弱依赖条件下表现失败。
• 该基准揭示，许多可扩展算法仅产生近似结果，且理论保证有限，尤其是在各层中社区结构未明显分离时。
• 该模型实现了算法评估的一致性与可复现性，凸显了在基准设计中纳入层间结构的重要性。