[論文レビュー] A new network node similarity measure method and its applications

Yongli Li, Peng Luo+1 more|arXiv (Cornell University)|Mar 17, 2014

Complex Network Analysis Techniques参考文献 2被引用数 10

ひとこと要約

本稿では、ノードを統合する際の情報損失に基づいて、情報理論を用いて類似度を定量化する、新規なネットワークノード類似度測定法を提案する。この手法は計算量が低いため、大規模ネットワークの効率的解析が可能であり、合成ネットワークおよび実世界のネットワークにおいて優れた正確性と人間の判断との整合性を示し、ネットワークの進化予測や欠落したノード属性の予測への応用に成功している。

ABSTRACT

Network node similarity measure has been paid particular attention in the field of statistical physics. In this paper, we utilize the concept of information and information loss to measure the node similarity. The whole model is based on this idea that if two nodes are more similar than the others, then the information loss of seeing them as the same is less. The present new method has low algorithm complexity so that it can save much time and energy to deal with the large scale real-world network. We illustrate the availability of this approach based on two artificial examples and computer-generated networks by comparing its accuracy with the other selected approaches. The above tests demonstrate that the new method can provide more reasonable results consistent with our human common judgment. The new similarity measure method is also applied to predict the network evolution and predict unknown nodes' attributions in the two application examples.

研究の動機と目的

• 大規模複雑ネットワーク向けに計算的に効率的なノード類似度測定法を開発すること。
• ノードを統合する際の情報損失をモデル化することで、ノード類似度評価の正確性を向上させること。
• ネットワーク構造解析における計算結果と人間の直感的判断を一致させること。
• ネットワークの進化予測や欠落したノード属性の推定といった実用的応用を可能とすること。

提案手法

• 本手法は、2つのノードを同一視した場合の情報損失に基づいてノード類似度を定義し、情報理論の原則を用いる。
• ノードを統合した後のネットワークの情報量の減少を定量化することで類似度を計算し、損失が小さいほど類似度が高くなる。
• 時間的・空間的計算量が低いようにアルゴリズムが設計されており、実世界の大規模ネットワークへのスケーラビリティを実現している。
• 従来手法との比較のため、人工ネットワークおよびコンピュータ生成モデルを用いて手法の妥当性を検証する。
• 2つの事例研究において、将来のネットワーク構造の予測および未知のノード属性の推定に本手法を適用する。
• 理論的基盤は、類似したノードが集約されると情報エントロピーへの寄与が小さくなるという考えに基づく。

実験結果

リサーチクエスチョン

• RQ1 複雑ネットワークにおけるノード類似度を、より効率的かつ正確に測定する方法は何か？
• RQ2 ノードを統合した際の情報損失と人間の類似度認識との相関度はどの程度か？
• RQ3 低計算量の類似度測定法は、ネットワークの進化予測や欠落したノード属性の推定に効果的に応用できるか？
• RQ4 本手法は、既存のノード類似度測定法と比較して、正確性においてどの程度優れているか？

主な発見

• 提案手法は従来手法よりも低いアルゴリズム的計算量を達成しており、大規模ネットワークにおける計算コストを顕著に低減している。
• 人工ネットワークおよびコンピュータ生成ネットワークにおいて、本手法は人間の類似度に関する一般的な判断と密接に一致する結果を示した。
• 制御されたテストにおいて、選択されたベースライン手法と比較して、ノード類似度順位付けの正確性がより高かった。
• 2つの応用例において、本手法はネットワークの進化パターンを的確に予測できた。
• ネットワーク解析タスクにおいて、未知のノード属性を正確に推定するのに本手法が有効であった。
• 情報損失に基づく枠組みは、既存の類似度指標とは対照的に、理論的根拠があり、実証的にも有効な代替手段を提供する。