コントラスト型ディープ非負行列分解を用いたコミュニティ検出

最近、非負行列因子分解（NMF）はその解釈可能性に優れているため、コミュニティ検出において広く採用されている。しかし、従来のNMFに基づく手法には以下の3つの問題がある。第一に、これらの手法は元のネットワークを直接コミュニティ所属空間に変換しているため、階層構造情報を捉えることが困難である。第二に、ネットワークのトポロジーにのみ注目し、ノード属性を無視する傾向がある。第三に、コミュニティ検出に必要なグローバル構造情報を学習することが難しい。そこで本研究では、対比学習のアイデアを応用した新しいコミュニティ検出手法、すなわち「対比的深層非負行列因子分解（Contrastive Deep Nonnegative Matrix Factorization, CDNMF）」を提案する。まず、NMFの表現能力を強化するため、深層化を実現した。次に、対比学習の発想に基づき、ネットワークのトポロジーとノード属性をそれぞれ異なる視点（対照的ビュー）として構築する画期的なアプローチを採用した。さらに、バイアスのない負例サンプリング層を導入し、コミュニティレベルでのノード類似度を学習することで、モデルのコミュニティ検出への適応性を向上させた。提案手法は、3つの公開実データグラフ上で実験を行い、最先端手法と比較して優れた性能を達成した。実装コードは以下のGitHubリポジトリで公開されている：https://github.com/6lyc/CDNMF.git。