[論文レビュー] A Faster Method to Estimate Closeness Centrality Ranking

Akrati Saxena, Ralucca Gera+1 more|arXiv (Cornell University)|Jun 7, 2017

Complex Network Analysis Techniques参考文献 32被引用数 14

ひとこと要約

この論文は、スケールフリー・ネットワークにおける逆順位と閉じ度中心性のシグモイド的関係を活用し、$O(m)$時間でノードの閉じ度中心性順位を推定するヒューリスティックで確率的なサンプリング手法を提案する。古典的手法の$O(nm)$と比較して顕著な高速化を達成しており、局所的ノード特性と一様サンプリングを用いてシグモイド曲線を近似することで、実世界のネットワークにおいて最大で1.47（重み付き誤差）の低誤差を実現する。

ABSTRACT

Closeness centrality is one way of measuring how central a node is in the given network. The closeness centrality measure assigns a centrality value to each node based on its accessibility to the whole network. In real life applications, we are mainly interested in ranking nodes based on their centrality values. The classical method to compute the rank of a node first computes the closeness centrality of all nodes and then compares them to get its rank. Its time complexity is $O(n \cdot m + n)$, where $n$ represents total number of nodes, and $m$ represents total number of edges in the network. In the present work, we propose a heuristic method to fast estimate the closeness rank of a node in $O(α\cdot m)$ time complexity, where $α= 3$. We also propose an extended improved method using uniform sampling technique. This method better estimates the rank and it has the time complexity $O(α\cdot m)$, where $α\approx 10-100$. This is an excellent improvement over the classical centrality ranking method. The efficiency of the proposed methods is verified on real world scale-free social networks using absolute and weighted error functions.

研究の動機と目的

• 古典的手法の閉じ度中心性順位計算にかかる高コスト（$O(nm)$）を軽減し、大規模かつ動的ネットワークに対して現実的でない計算コストを解消すること。
• 実世界のスケールフリーネットワークに見られる構造的性質に着目し、中心部から周縁部へ至る閉じ度中心性のシグモイド的パターンを活用すること。
• すべてのノードの中心性を計算せずに、ノード順位を推定する高速でスケーラブルな手法を開発すること。
• 一様サンプリングを用いてシグモイド曲線の主要パラメータを推定することで、推定精度を向上させること。
• オンラインソーシャルネットワークなどの大規模かつ動的ネットワークにおいて、完全なネットワーク保存を必要とせず、効率的でリアルタイムの順位付けを可能にすること。

提案手法

• スケールフリーネットワークにおける逆順位と閉じ度中心性の関係に見られるシグモイド的パターンを活用し、ロジスティック曲線をフィッティングすることでノード順位を推定するヒューリスティック手法を提案する。
• Levenberg-Marquardt法で計算された最良フィットのロジスティック曲線パラメータを用い、式3によりノード順位を推定することで、全ノードの中心性計算を回避する。
• シグモイド曲線の中点中心性（$c_{\text{mid}}$）を一様に$k$個のノードをサンプリングすることで推定する、改良された確率的ヒューリスティック手法を導入し、パラメータ推定誤差を低減する。
• サンプリングされたノードに対して幅優先探索（BFT）を実行し、局所的閉じ度中心性値を計算することで、$O(k \cdot m)$の計算量を達成し、$k \ll n$の場合は$O(m)$となる。
• 精度を評価するために絶対誤差関数と重み付き誤差関数を適用し、結果を40回の繰り返し平均化することで信頼性を確保する。
• ネットワークAPIを用いてBFTおよび閉じ度中心性をリアルタイムに計算し、ネットワーク全体の保存を回避する。

実験結果

リサーチクエスチョン

• RQ1 逆順位と閉じ度中心性の関係に見られるシグモイド的パターンを活用することで、全ノードの中心性計算なしにノード順位を推定できるか？
• RQ2 構造的性質と曲線フィッティングを用いた閉じ度順位推定の時間計算量は何か？ また、古典的手法と比較してどのように異なるか？
• RQ3 ノードの一様サンプリングは、計算コストを低く保ちつつ、順位推定の精度をどのように向上させるか？
• RQ4 ネットワークの密度がシグモイド曲線の勾配に与える影響は何か？ また、この影響をパラメータ推定の精緻化に利用できるか？
• RQ5 オンラインソーシャルネットワークなどの大規模かつ動的ネットワークに対して、完全なネットワーク保存を必要とせず、効率的に適用可能か？

主な発見

• 実世界のスケールフリーネットワークにおいて、逆順位と閉じ度中心性の関係はシグモイド曲線に従い、これにより効率的な順位推定が可能となる。
• ヒューリスティック手法は$O(m)$の時間計算量を達成し、古典的手法の$O(nm)$と比較して顕著な改善を示す。
• 改良された確率的ヒューリスティック手法により、スラッシュドットネットワークで重み付き誤差が1.47、Twitterで1.96まで低減され、$k=50$のサンプルで達成された。
• Levenberg-Marquardt法を用い1000回の反復と0.0001の許容誤差で計算された最良フィットのロジスティック曲線パラメータは、非常に高い順位推定精度を実現する。
• Gowalla、Slashdot、Twitterなど多様なネットワークで、絶対誤差および重み付き誤差が低く、本手法の効率性が裏付けられた。
• 本手法はスケーラブルであり、ネットワーク全体を保存する必要がないため、動的ネットワークに適しており、APIを介してノードレベルのBFT結果を照会する形で効率的に動作する。