[论文解读] Localized eigenvectors of the non-backtracking matrix

Tatsuro Kawamoto|arXiv (Cornell University)|May 28, 2015

Complex Network Analysis Techniques参考文献 5被引用 28

一句话总结

本文研究了非回溯矩阵（B）中的局域化特征向量，这是一种旨在避免图划分中局域化的谱方法。尽管B通常能抑制局域化，但本研究证明，局域化的实特征向量仍可能出现在谱带之外，从而在理论上具有优势的情况下，仍可能降低社区检测的性能。

ABSTRACT

In the case of graph partitioning, the emergence of localized eigenvectors can cause the standard spectral method to fail. To overcome this problem, the spectral method using a non-backtracking matrix was proposed. Based on numerical experiments on several examples of real networks, it is clear that the non-backtracking matrix does not exhibit localization of eigenvectors. However, we show that localized eigenvectors of the non-backtracking matrix can exist outside the spectral band, which may lead to deterioration in the performance of graph partitioning.

研究动机与目标

• 调查尽管非回溯矩阵（B）被设计为避免图划分中的局域化，但局域化特征向量是否仍可能在B中出现。
• 评估B相对于标准矩阵（如邻接矩阵、拉普拉斯矩阵和模块度矩阵）在真实和合成网络中的局域化程度。
• 确定网络中的短环路和聚类结构是否可能引发B中的局域化，即使该矩阵本应抑制局域化。
• 阐明局域化特征向量可能影响基于B的谱社区检测性能的条件。

提出的方法

• 使用逆参与比（IPR）来量化特征向量的局域化程度，其中IPR ≈ 1表示强局域化，IPR ≈ O(N⁻¹)表示扩展向量。
• 对真实网络中的非回溯矩阵B、未归一化的和归一化的拉普拉斯矩阵（L, L̃）以及模块度矩阵M进行IPR值的对比分析。
• 使用可调节三角形数量的随机块模型，研究聚类和短环路对局域化的影响，同时通过重连边保持度序列不变。
• 通过其形式为(vᵀ, -μvᵀ)的左特征向量分析非回溯矩阵B，其中μ为特征值，v的符号用于二等分赋值。
• 在真实网络和合成模型上进行数值实验，比较在不同结构条件下各矩阵的IPR趋势。
• 研究聚焦于每种矩阵的最大或第二大特征值，因为这些特征值在谱社区检测中最为相关。

实验结果

研究问题

• RQ1 尽管非回溯矩阵B被设计为避免图划分中的局域化，但局域化特征向量是否仍可能存在于B中？
• RQ2 在真实网络中，IPR测量的局域化程度在B、L、L̃和M之间如何比较？
• RQ3 在合成网络中，短环路密度（如三角形）的增加是否会增强或抑制B中的局域化？
• RQ4 B中的局域化特征向量是否被限制在谱带内，还是可能出现在谱带之外，从而影响社区检测？
• RQ5 在何种结构条件下，非回溯矩阵可能因局域化特征向量而失效？

主要发现

• 尽管B的设计旨在避免局域化，但具有实特征值的局域化特征向量仍可能出现在非回溯矩阵B的主谱带之外，这挑战了B普遍避免局域化的假设。
• 在真实网络中，非回溯矩阵B的IPR值始终较低，表明其局域化程度远低于A、L、L̃和M。
• 对于未归一化的和归一化的拉普拉斯矩阵L和L̃，三角形数量的增加显著增强了局域化，尤其是在与第二小特征值相关的特征向量中。
• 模块度矩阵M对局域化表现出强鲁棒性，即使在网络聚类程度较高时，IPR值也保持较低。
• 尽管在稀疏随机图中B表现出鲁棒性，但在高度聚类的网络中，B仍可能表现出局域化特征向量，尤其是在块结构较弱或三角形数量较多时。
• B中局域化特征向量的存在——特别是具有大实特征值的特征向量——可能导致谱二等分法性能下降，即使这类特征向量在标准应用中并不常见。