A Unified Framework for Exploratory Learning-Aided Community Detection in Networks with Unknown Topology

要約

ソーシャル ネットワークでは、コミュニティ構造の発見がさまざまなネットワーク分析タスクの基本的な問題として大きな注目を集めています。
ただし、プライバシーの問題やアクセス制限により、ネットワーク構造が不明なことが多く、コストのかかるネットワーク トポロジを取得しなければ、確立されたコミュニティ検出アプローチは効果がありません。
この課題に取り組むために、私たちは、収集しやすいノードのメタデータを活用した探索的学習を通じて、未知のトポロジーを持つネットワーク内の重複するコミュニティを検出するための統合フレームワークである META-CODE を提案します。
具体的には、META-CODE は、最初のネットワーク推論ステップに加えて、次の 3 つの反復ステップで構成されます。1) 新しい再構成損失によってトレーニングされたグラフ ニューラル ネットワーク (GNN) に基づくノードレベルのコミュニティ所属埋め込み、2) コミュニティを介したネットワーク探索
所属ベースのノード クエリ、および 3) 探索されたネットワークからのエッジ接続ベースのシャム ニューラル ネットワーク モデルを使用したネットワーク推論。
2 つの大規模ネットワークを含む 5 つの現実世界のデータセットに関する広範な実験を通じて、(a) ベンチマーク コミュニティ検出手法に対する META-CODE の優位性が実証され、既存の最良の競合他社と比較して最大 151.27% の顕著な向上を達成しました。(b)
META-CODE の各モジュールの影響、(c) 経験的評価と理論的発見に基づく META-CODE のノード クエリの有効性、(d) 推論されたネットワークの収束、(e) META-CODE の計算効率
。

要約(オリジナル)

In social networks, the discovery of community structures has received considerable attention as a fundamental problem in various network analysis tasks. However, due to privacy concerns or access restrictions, the network structure is often unknown, thereby rendering established community detection approaches ineffective without costly network topology acquisition. To tackle this challenge, we present META-CODE, a unified framework for detecting overlapping communities in networks with unknown topology via exploratory learning aided by easy-to-collect node metadata. Specifically, META-CODE consists of three iterative steps in addition to the initial network inference step: 1) node-level community-affiliation embeddings based on graph neural networks (GNNs) trained by our new reconstruction loss, 2) network exploration via community-affiliation-based node queries, and 3) network inference using an edge connectivity-based Siamese neural network model from the explored network. Through extensive experiments on five real-world datasets including two large networks, we demonstrated: (a) the superiority of META-CODE over benchmark community detection methods, achieving remarkable gains up to 151.27% compared to the best existing competitor, (b) the impact of each module in META-CODE, (c) the effectiveness of node queries in META-CODE based on empirical evaluations and theoretical findings, (d) the convergence of the inferred network, and (e) the computational efficiency of META-CODE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google