[論文レビュー] Atypical scaling behavior persists in real world interaction networks

Harry Crane, Walter Dempsey|arXiv (Cornell University)|Sep 28, 2015

Complex Network Analysis Techniques参考文献 20被引用数 5

ひとこと要約

本稿では、1と2の間の指数をとる非典型のスケーリングを示す実世界の相互作用ネットワークの生成モデルを提案する。これは、従来、メカニズムが不明であったため無視されてきた。モデルは一定のエッジ増加と正のフィードバック機構を用い、ソーシャルネットワーク、メール、共同作業システムなどのネットワークにおいて、このようなスケーリングが自然に生じることを示している。また、明確なパラメータ解釈と尤度に基づく推論を可能にする統計的に堅牢で順序に依存しないフレームワークを提供する。

ABSTRACT

Scale-free power law structure describes complex networks derived from a wide range of real world processes. The extensive literature focuses almost exclusively on networks with power law exponent strictly larger than 2, which can be explained by constant vertex growth and preferential attachment. The complementary scale-free behavior in the range between 1 and 2 has been mostly neglected as atypical because there is no known generating mechanism to explain how networks with this property form. However, empirical observations reveal that scaling in this range is an inherent feature of real world networks obtained from repeated interactions within a population, as in social, communication, and collaboration networks. A generative model explains the observed phenomenon through the realistic dynamics of constant edge growth and a positive feedback mechanism. Our investigation, therefore, yields a novel empirical observation grounded in a strong theoretical basis for its occurrence.

研究の動機と目的

• 実世界の相互作用ネットワークに、1と2の間の指数をもつパワー則的次数分布が持続的に存在する理由を特定・説明すること。
• γ ∈ (1,2) に属するネットワークに、既知の生成メカニズムが欠如しているという問題を解決すること。これは、経験的に観察されるが理論的に無視されてきた。
• エッジ追加とフィードバックを反映する、統計的に妥当で順序に依存しないネットワーク形成ダイナミクスを再現するモデルを開発すること。
• 次数系列の明確な尤度ベースの分布を提供することで、統計的推論を可能にすること。
• 複数エッジが単純エッジに統合される（実際のネットワークの投影のように）場合でも、パワー則的スケーリングが保持されることを示すこと。

提案手法

• モデルは1つのエッジずつ追加することでネットワークを逐次生成し、頂点選択は次数に比例する確率にパラメータθを加えたものに基づく。
• 頂点は、D(i,t) + θに比例する確率で選択される。ここでD(i,t)はt番目のエッジ追加直前の頂点iの次数を表す。
• 自己ループと多重エッジを組み込み、メールや共同作業システムなどの実際の相互作用ネットワークで一般的な特徴を再現する。
• 得られるネットワークの次数分布は、γ = α + 1 というパワー則に従い、αはエッジ蓄積の速度を制御し、θは頂点成長を制御する。
• モデルの分布はエッジ到着順に依存しないため、到着順が不明な場合の統計的推論に適している。
• 4つの実世界ネットワークにパラメータ（α, θ）を適合させ、次数分布がγ ∈ (1,2) の実データと一致することを確認することで、モデルを検証した。

実験結果

リサーチクエスチョン

• RQ1 ソーシャル、メール、共同作業ネットワークなどの実世界の相互作用ネットワークが、1と2の間の指数をもつパワー則的次数分布を示す理由は何か？
• RQ2 エッジ追加によって成長するネットワークにおいて、このような非典型スケーリング行動がどのようにして出現するかを説明する生成メカニズムは何か？
• RQ3 多重エッジの削減処理を経てもパワー則的スケーリングを保持し、エッジ到着順が不明な場合でも頑健な統計モデルを構築できるか？
• RQ4 モデルパラメータαとθは、フィードバック強度や頂点成長率といった、ネットワークダイナミクスの背後にある要因とどのように関係しているか？
• RQ5 γ ∈ (1,2) のネットワークに対して尤度ベースのモデルを導出でき、信頼性の高い統計的推論とパラメータ推定を可能にするか？

主な発見

• 俳優共同作業、Enronメール、Wikipedia投票、Facebookソーシャルサークルネットワークは、それぞれγ ≈ 1.75、1.85、1.15、1.30という、1と2の間の指数をもつパワー則的次数分布を示している。
• 生成モデルは、これらのネットワークの経験的次数分布をうまく再現できており、それぞれの適合パラメータは(α, θ) = (0.75, 1.14)、(0.85, -0.63)、(0.15, 350)、(0.30, 168)である。
• 多重エッジを単一エッジに統合するネットワークの投影処理後でも、モデルはパワー則的スケーリングを保持している。これは、(α, θ) = (0.67, 1) および (0.25, 1) のシミュレーションで示された。
• パワー則の指数γは、γ = α + 1 という明確な関係でモデルパラメータと結びついており、αはエッジ蓄積速度を制御し、θは頂点成長速度を制御する。
• モデルの分布はエッジ到着順に依存しないため、時間的データが入手できない場合でも、統計的推論が頑健に可能である。
• 負のθ推定値（例：Enronではθ = -0.63）は、固定されたグループ内での内部フィードバックが支配的であり、頂点拡大が遅いことを示している。