[論文レビュー] A holistic approach for predicting links in coevolving multiplex networks

Alireza Hajibagheri, Gita Sukthankar+1 more|arXiv (Cornell University)|Aug 18, 2016

Complex Network Analysis Techniques参考文献 27被引用数 6

ひとこと要約

本稿では、共進化するマルチプレックスネットワークにおけるリンク予測のための包括的フレームワークであるMLPを提案する。MLPは、非ターゲット層からのリンク存在確率を学習することで、層間依存関係を活用し、単一層の予測スコアを再重み付けする。トップロジカル指標をランク集約し、層間パターンに基づく再重み付けを行うことで、要因分解手法や統合手法よりも、動的かつ多関係的ネットワークにおける欠落リンク予測で優れた性能を発揮する。

ABSTRACT

Networks extracted from social media platforms frequently include multiple types of links that dynamically change over time; these links can be used to represent dyadic interactions such as economic transactions, communications, and shared activities. Organizing this data into a dynamic multiplex network, where each layer is composed of a single edge type linking the same underlying vertices, can reveal interesting cross-layer interaction patterns. In coevolving networks, links in one layer result in an increased probability of other types of links forming between the same node pair. Hence we believe that a holistic approach in which all the layers are simultaneously considered can outperform a factored approach in which link prediction is performed separately in each layer. This paper introduces a comprehensive framework, MLP (Multiplex Link Prediction), in which link existence likelihoods for the target layer are learned from the other network layers. These likelihoods are used to reweight the output of a single layer link prediction method that uses rank aggregation to combine a set of topological metrics. Our experiments show that our reweighting procedure outperforms other methods for fusing information across network layers.

研究の動機と目的

• 各層を独立に分析する要因分解リンク予測手法の限界、すなわちリンクタイプ間の動的共進化を無視する点を是正すること。
• ある層におけるリンクの存在が、他の層でのリンク形成確率を高めるメカニズムをモデル化し、層間相互作用パターンを捉えること。
• すべての層からの情報を同時に活用することで、リンク予測精度を向上させる統一フレームワークを構築すること。
• 層間存在確率に基づく単一層予測の再重み付けが、標準的な統合手法を上回る性能向上をもたらすことを実証すること。

提案手法

• フレームワークは、各層が同じノード集合上での二項的相互作用（例：通信、取引）を表すマルチプレックスネットワークを構築する。
• ターゲット層ごとに、他の層におけるリンクの存在に基づいてリンク存在確率を学習する。この学習には確率的または統計的推定手法を用いる。
• 各層に対して単一層リンク予測手法を適用し、トップロジカル指標を用いる。これらの指標はランク付けされ、ランク集約によりコンSENSUS予測スコアを生成する。
• 集約スコアは、層間リンク存在確率に基づいて再重み付けされ、共進化構造を反映する予測が、より高い影響をもつように調整される。
• 最終的な予測スコアを用いてノードペアをランク付けし、スコアが高いほど欠落リンクの可能性が高くなる。

実験結果

リサーチクエスチョン

• RQ1 共進化するマルチプレックスネットワークにおける層間依存関係をモデル化することで、各層を独立に扱う手法と比較してリンク予測性能が向上するか。
• RQ2 層間リンク存在確率に基づく単一層予測の再重み付けは、予測精度の向上にどの程度有効か。
• RQ3 すべての層を同時に考慮する包括的フレームワークは、各層を独立に予測する要因分解手法を上回るか。
• RQ4 ランク集約と再重み付けを組み合わせた際、異なるトップロジカル指標は予測にどの程度寄与するか。

主な発見

• MLPフレームワークは、各層を独立に分析する標準的な要因分解リンク予測手法を著しく上回る。
• 層間リンク存在確率に基づく再重み付け機構は、ベースライン統合戦略と比較して予測性能を向上させる。
• トップロジカル指標のランク集約と層間再重み付けを組み合わせることで、個々の指標の性能を上回るより強固で正確な予測が得られる。
• 包括的アプローチは、特に動的かつ多関係的ネットワーク環境下で、各層ごとの手法が見逃す共進化的パターンを捉えている。