[论文解读] Multi-scale Modularity in Complex Networks

Renaud Lambiotte|arXiv (Cornell University)|Apr 24, 2010

Complex Network Analysis Techniques参考文献 30被引用 51

一句话总结

本文通过在类似模块度的质量函数中引入可调分辨率参数，提出了一种用于复杂网络社区检测的多分辨率框架，实现了在多个尺度上识别社区。研究表明，标准模块度因固有的分辨率限制而失效，而所提出的方法——基于动态网络探索和鲁棒性分析——成功揭示了合成网络和真实网络中的真实分层结构。

ABSTRACT

We focus on the detection of communities in multi-scale networks, namely networks made of different levels of organization and in which modules exist at different scales. It is first shown that methods based on modularity are not appropriate to uncover modules in empirical networks, mainly because modularity optimization has an intrinsic bias towards partitions having a characteristic number of modules which might not be compatible with the modular organization of the system. We argue for the use of more flexible quality functions incorporating a resolution parameter that allows us to reveal the natural scales of the system. Different types of multi-resolution quality functions are described and unified by looking at the partitioning problem from a dynamical viewpoint. Finally, significant values of the resolution parameter are selected by using complementary measures of robustness of the uncovered partitions. The methods are illustrated on a benchmark and an empirical network.

研究动机与目标

• 解决标准模块度因内在分辨率偏差而无法在多个尺度上检测社区的问题。
• 开发具有分辨率参数的灵活质量函数，以自适应揭示不同尺度下的模块化结构。
• 基于网络动力学和算法稳定性引入鲁棒性度量，以识别显著的分辨率参数。
• 在分层基准网络和真实世界足球网络中验证该方法的有效性，其中模块度失效。
• 通过动力学视角统一不同的多分辨率质量函数，表明它们在线性变换下等价。

提出的方法

• 引入三种多分辨率质量函数——$Q_\gamma$、$Q'_{r}$ 和 $Q_t$——通过引入分辨率参数来推广模块度。
• 将质量函数表述为稳定性度量的线性化版本，其来源于网络上的随机游走动力学。
• 采用动力学方法在不同时间尺度上探索网络结构，将分辨率参数与随机游走者的时间演化相联系。
• 应用鲁棒性度量：平均信息变异 $\langle V \rangle_{\rm net}(t)$、$\langle V \rangle_{\rm algo}(t)$ 和 $\langle V \rangle_{\rm QF}(t)$，以评估不同分辨率下分区的稳定性。
• 使用启发式算法（如Louvain方法）优化质量函数，并选择鲁棒性度量最小的分辨率参数。
• 结合多种鲁棒性度量，以提高在非分层网络中对真实模块化尺度的检测能力。

实验结果

研究问题

• RQ1 为何标准模块度在复杂网络中无法在多个尺度上检测社区？
• RQ2 如何将分辨率参数整合到社区检测质量函数中，以实现多尺度分析？
• RQ3 多分辨率检测网络模块的底层动力学原理是什么？
• RQ4 如何定量评估检测到的分区的鲁棒性，以识别显著的分辨率参数？
• RQ5 所提出的方法能否成功恢复合成网络和实证网络中的已知分层结构？

主要发现

• 标准模块度优化无法检测到网络中真实的多尺度模块化结构，如其在大学足球网络中无法恢复12个会议的结构所示。
• 所提出的多分辨率质量函数——$Q_\gamma$、$Q'_{r}$ 和 $Q_t$——在至多线性变换下数学等价，并通过引入可调分辨率参数推广了模块度。
• 基于 $\langle V \rangle_{\rm net}(t)$、$\langle V \rangle_{\rm algo}(t)$ 和 $\langle V \rangle_{\rm QF}(t)$ 的鲁棒性分析，识别出分区稳定的明显平台，对应于真实的模块化尺度。
• 在分层基准网络中，该方法成功识别出三个预期尺度：4、16 和 64 个社区，且在这些分辨率值下信息变异最小。
• 在大学足球网络中，该方法在12个社区处检测到一个稳定的平台，而模块度（$t=1$）无法产生鲁棒的分区，证实了其分辨率偏差。
• 研究表明，模块度只是更广泛一类多分辨率质量函数中的一个实例，不应在事前偏好模块度，而应平等对待其他分辨率设置。