[論文レビュー] A universal assortativity measure for network analysis

Guoqing Zhang, Suqi Cheng+1 more|arXiv (Cornell University)|Dec 28, 2012

Complex Network Analysis Techniques参考文献 28被引用数 12

ひとこと要約

本稿では、エッジの寄与をグローバルな推定係数に割り当てる仕組みに基づき、任意のネットワーク部分集合の同型的・反同型的傾向を定量化するユニバーサルアソートラティビティ係数（UAC）を提案する。従来の手法とは異なり、ノードではなくエッジに基づく計算によりバイアスを回避し、多くのグローバルに反同型的であるネットワーク（例：ASレベルのインターネット）が、実際には同型的接続で支配されていることが明らかになり、従来の仮定に疑問を呈する。

ABSTRACT

Characterizing the connectivity tendency of a network is a fundamental problem in network science. The traditional and well-known assortativity coefficient is calculated on a per-network basis, which is of little use to partial connection tendency of a network. This paper proposes a universal assortativity coefficient(UAC), which is based on the unambiguous definition of each individual edge's contribution to the global assortativity coefficient (GAC). It is able to reveal the connection tendency of microscopic, mesoscopic, macroscopic structures and any given part of a network. Applying UAC to real world networks, we find that, contrary to the popular expectation, most networks (notably the AS-level Internet topology) have markedly more assortative edges/nodes than dissortaive ones despite their global dissortativity. Consequently, networks can be categorized along two dimensions--single global assortativity and local assortativity statistics. Detailed anatomy of the AS-level Internet topology further illustrates how UAC can be used to decipher the hidden patterns of connection tendencies on different scales.

研究の動機と目的

• グローバルアソートラティビティ係数が局所的または部分的なネットワーク接続傾向を捉えきれていないという限界を解消すること。
• グローバル項の分解が明示的でないノードベースの局所的アソートラティビティ定義に起因する曖昧性を克服すること。
• 単一の一貫した枠組み内で、微視的、中規模的、巨視的あらゆるスケールのネットワークスケールでアソートラティビティを測定可能なユニバーサル指標を開発すること。
• 実世界のネットワーク、特にASレベルインターネットトポロジーのようなグローバルに反同型的である系において、隠れた接続パターンを明らかにすること。
• グローバルアソートラティビティと局所的アソートラティビティ統計の両方を用いたネットワーク分類を可能にし、ネットワークダイナミクスに関する新たな知見を提供すること。

提案手法

• ユニバーサルアソートラティビティ係数（UAC）は、グローバルアソートラティビティ係数（GAC）への個々のエッジの寄与の合計として定義され、決定論的かつ曖昧でない帰属付けを保証する。
• 各エッジの寄与は、両端ノードの残余次数の同時分布に基づき算出され、式 $ r = \frac{1}{\sigma_q^2} \sum_{jk} jk e_{jk} - \frac{1}{\sigma_q^2} \sum_{jk} jk q_j q_k $ が用いられる。ここで $ e_{jk} $ は、残余次数が $ j $ および $ k $ であるノードを結ぶエッジの同時確率を表す。
• この手法はグローバルアソートラティビティをエッジレベルの寄与に分解し、$ U_q^2 $ のような共有項を個々のノードに割り当てる必要を回避する。
• このアプローチは無向ネットワークに適用可能であり、わずかな修正で有向ネットワークへも拡張可能である。
• UACは、コミュニティ、部分グラフ、地域間接続など、エッジの特定のサブセットの分析を可能にし、それらが全体のアソートラティビティに与える寄与を分離する。
• このフレームワークにより、個々のエッジから全体のネットワーク領域に至るまで、スケールに跨る一貫した分析が可能となり、スケールを問わず一貫した指標が得られる。

実験結果

リサーチクエスチョン

• RQ1 グローバル指標に依存せずに、コミュニティや地域間接続のような特定のエッジサブセットのアソートラティビティをどのように測定できるか。
• RQ2 ASレベルインターネットのようなグローバルに反同型的であるネットワークが、なぜ依然として強い局所的アソートラティビティを示すのか、その背後にある要因は何か。
• RQ3 微視的から巨視的スケールに亘るあらゆるネットワークスケールで一貫してアソートラティビティを測定可能なユニバーサル指標を開発できるか。
• RQ4 局所的アソートラティビティパターンが、情報伝播や感染症の拡散といったネットワークダイナミクスに及ぼす機能的意義は何か。
• RQ5 異なるネットワーク領域（例：国やRIR）は、内部接続と領域間接続の傾向においてどのように異なるか。

主な発見

• RIRスケールでは、67.3%のイントラ-RIRエッジが同型的である一方、インタ-RIRエッジのうち32.3%しか同型的でないため、強い局所的同型的バイアスが顕在化している。
• 国・地域スケールでは、イントラ国・地域エッジの69.7%が同型的であるのに対し、インタ国・地域エッジでは44.9%にとどまるため、局所的同型的支配の傾向がさらに強化される。
• 平均して60.4%のエッジが同型的であると示すグローバルアソートラティビティ係数が全体の反同型的傾向を示す一方で、実際のネットワークでは特にASレベルインターネットにおいて、大多数のエッジが局所的に同型的である。
• ASレベルインターネットトポロジーは明確なパターンを示す：地域内接続は主に同型的であるが、地域間リンクは大部分が反同型的である。
• UACは、ネットワークをグローバルアソートラティビティと局所的アソートラティビティ統計の二つの次元に沿って分類可能であり、洗練された分類フレームワークを提供する。
• UAC手法は、特に接続傾向が混合する系において、従来のグローバル指標では見えない複雑ネットワークの隠れた構造的パターンを効果的に特定できた。