[論文レビュー] Centrality Metric for Dynamic Networks

Kristina Lerman, Rumi Ghosh+1 more|arXiv (Cornell University)|Jun 2, 2010

Complex Network Analysis Techniques参考文献 16被引用数 14

ひとこと要約

この論文は、時系列に沿った経路（時系列に整合する経路）を数えることで、時間発展するネットワークにおけるノードの影響力を定量化する動的中心性指標を導入する。静的中心性指標とは異なり、相互作用の時系列順序を考慮し、経路長および時間スケールパラメータをデータから最適化することで、従来の指標が見過ごしていた代表的な論文（例：引用ネットワークにおける初期の画期的論文）のような、顕著な影響力を持つノードを明らかにする。

ABSTRACT

Centrality is an important notion in network analysis and is used to measure the degree to which network structure contributes to the importance of a node in a network. While many different centrality measures exist, most of them apply to static networks. Most networks, on the other hand, are dynamic in nature, evolving over time through the addition or deletion of nodes and edges. A popular approach to analyzing such networks represents them by a static network that aggregates all edges observed over some time period. This approach, however, under or overestimates centrality of some nodes. We address this problem by introducing a novel centrality metric for dynamic network analysis. This metric exploits an intuition that in order for one node in a dynamic network to influence another over some period of time, there must exist a path that connects the source and destination nodes through intermediaries at different times. We demonstrate on an example network that the proposed metric leads to a very different ranking than analysis of an equivalent static network. We use dynamic centrality to study a dynamic citations network and contrast results to those reached by static network analysis.

研究の動機と目的

• ノードやエッジの変化が時間とともに発生する時間発展するネットワークにおいて、静的中心性指標が影響力を捉えるのには限界があることに対処すること。
• 相互作用の時系列順序を考慮する中心性指標を開発し、経路が時間的に整合する場合にのみ影響力が伝播することを保証すること。
• 従来の指標（例：PageRank や引用数）が見過ごす動的ネットワーク内の影響力を持つノードを同定すること。
• 動的中心性が、静的ネットワーク解析よりも異なる、しばしばより正確なノード重要性の順位付けを明らかにすること。
• 実世界の時間発展するネットワーク（例：科学的引用ネットワーク）からの実証データを用いて、時間スケールおよび長さスケールパラメータを最適化すること。

提案手法

• 本手法は、ノードが連続する時間ステップで中間ノードを通って接続される経路（時系列に整合する経路）の総数として動的中心性を定義する。
• ネットワークのスナップショットを離散的な時間点で得たものから導出される時系列順序付き隣接行列を用いて、$\alpha$-中心性を動的ネットワークに一般化する。
• パラメータ $\alpha$（長さスケール）および $\gamma$（時間スケール）を用いて、時間経過に伴う経路の減衰を制御する行列式により中心性を計算する。
• 本指標は、グローバルまたはローカルな影響力に基づいてノードを順位付け可能であり、特定のターゲットノードに最も関連するノードを同定可能である。
• パラメータ $\alpha$ および $\gamma$ は、データ内の引用チェーン長および時間的ギャップの経験的分布にモデルをフィットさせることで推定される。
• 本手法は合成的な動的ネットワークで検証され、arXiv からの実世界の引用ネットワークに適用され、静的中心性およびPageRankと比較されている。

実験結果

リサーチクエスチョン

• RQ1 動的中心性は、時間発展するネットワークにおける影響力を持つノードを特定する点で、静的中心性とどのように異なるか？
• RQ2 動的中心性は、引用数やPageRankが見過ごす影響力を持つ科学的論文を明らかにできるか？
• RQ3 引用ネットワークの下位構造的ダイナミクスを最もよく反映する時間スケールおよび長さスケールパラメータの最適値は何か？
• RQ4 時系列に整合する経路は、静的経路ベースの測定と比較して、影響力を持つノードの順位付けをどのように変化させるか？
• RQ5 動的中心性は、広く引用されていないが、非常に影響力のある『隠れた宝石』の論文をどの程度まで明らかにできるか？

主な発見

• 時間スケールパラメータ $\gamma$ を最適化し、$\alpha = 0.2$ とした場合、引用ネットワークにおける上位10位の論文の順位が再編成され、静的引用数順位の上位10位のうち7つが入れ替わった。
• Ashoke Sen の論文は、全引用数が少ないにもかかわらず、長期間にわたる引用チェーンの役割を果たすため、動的中心性では高い順位に位置づけられ、従来見過ごされていた影響力が明らかになった。
• PageRankで上位20位にランクインした20本の論文のうち、わずか9本しか動的中心性で上位20位に含まれておらず、ノードの重要性に関する根本的な視点の違いが示された。
• 引用数およびPageRankで1位にランクインした論文 9711200 は、$\alpha = 0.2$ の場合、動的中心性で103位に低下した。これは、発表が比較的新しく、長期間にわたる引用チェーンを形成できていないためである。
• 上位20位の動的中心性を持つ論文のうち7本が Ashoke Sen によって著されたのに対し、PageRankでは Edward Witten が5本を占めており、ストリング理論分野におけるSenの隠れた影響力が浮き彫りになった。
• パラメータ $\alpha$ および $\gamma$ の最適値は、データ内の引用チェーン長および時間的ギャップの経験的分布にモデルをフィットさせることで推定された。