[论文解读] Laplacian Dynamics and Multiscale Modular Structure in Networks

Renaud Lambiotte, Jean‐Charles Delvenne+1 more|Dec 9, 2008

Complex Network Analysis Techniques参考文献 45被引用 355

一句话总结

本文提出了一种基于拉普拉斯动力学的网络社区检测动态稳定性度量，其中通过随机游走随时间的持续性来评估划分的质量。该方法通过调节时间尺度揭示多尺度社区结构，将模块度和谱聚类统一为极限情况，并在大规模网络中实现高效、分辨率自适应的检测。

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

• 建立一个将网络结构与随机过程相联系的动态框架，用于社区检测。
• 通过引入与时间尺度相关的稳定性，解决传统社区检测的分辨率极限问题。
• 将模块度与谱聚类统一为单一动态度量的极限情况。
• 通过扩展算法实现大规模网络中多尺度划分的高效计算。

提出的方法

• 网络划分的稳定性被定义为图上连续时间随机游走在时间上的自协方差，衡量游走者在其初始社区中停留的时间长度。
• 该方法使用归一化拉普拉斯矩阵和组合拉普拉斯矩阵来建模随机游动动力学，时间演化由矩阵指数 $ e^{(B-I)t} $ 控制。
• 稳定性度量 $ R_{\text{NL}}(t) $ 和 $ R_{\text{CL}}(t) $ 从转移概率和稳态分布中推导得出，结合了基于度异质性的零模型。
• 该方法通过用动态流持续性替代静态边计数，对模块度进行推广，其中模块度和谱聚类分别作为短时间和长时间的极限出现。
• 该方法计算效率高，利用了现有的谱方法和迭代算法，并通过时间尺度参数化实现大规模网络的可扩展性。
• 稳定性度量在系统规模变化下保持不变，最优划分仅在时间上移动，而结构不变。

实验结果

研究问题

• RQ1 如何通过随机过程的持续性，动态地定义网络划分的稳定性？
• RQ2 动力学过程的时间尺度如何揭示多分辨率的社区结构？
• RQ3 标准方法如模块度和谱聚类在何种意义上是所提出的动态稳定性度量的极限情况？
• RQ4 通过调节时间参数，该方法能否克服传统社区检测的分辨率极限？
• RQ5 稳定性度量与基于度序列和随机图系综的零模型有何关联？

主要发现

• 动态稳定性度量将模块度和谱聚类统一为极限情况：模块度对应于短时间，而谱聚类在长时间下出现。
• 通过调节时间参数，该方法可揭示多尺度社区结构，实现不同粒度层次的社区检测。
• 稳定性度量 $ R_{\text{NL}}(t) $ 在系统规模变化下保持不变，最优划分仅在时间上移动，而结构不变，这是由于存在缩放关系 $ t^* = t \times (m_1/m_{\text{tot}}) $。
• 在长时间下，$ R_{\text{NL}}(t) $ 收敛到基于归一化拉普拉斯矩阵第二特征向量的费德勒划分，恢复了经典的谱聚类。
• 该方法计算高效且可扩展，通过现有算法的扩展版本实现在大规模网络上的快速计算。
• 该动态框架为网络结构与动力学过程之间提供了合理的联系，提供了一种基于随机过程、具备零模型感知能力的质量函数。