[論文レビュー] Characterizing the structural diversity of complex networks across domains

Kansuke Ikehara, Aaron Clauset|arXiv (Cornell University)|Oct 31, 2017

Complex Network Analysis Techniques参考文献 1被引用数 17

ひとこと要約

本研究では、機械学習を用いて多様な分野にまたがる986件の実世界ネットワークおよび575件の合成ネットワークを分析し、構造的類似性と相違を同定した。その結果、特定のカテゴリー（生物学的、技術的、社会的ネットワークなど）を網羅的に区別するには、ネットワーク構造だけでは信頼性が低く、機能的要因、制約、生成メカニズムの共通性が原因であることが判明した。これは、起源（生物学的対人工的）がネットワーク構造を決定づけるという仮定に疑問を呈するものである。

ABSTRACT

The structure of complex networks has been of interest in many scientific and engineering disciplines over the decades. A number of studies in the field have been focused on finding the common properties among different kinds of networks such as heavy-tail degree distribution, small-worldness and modular structure and they have tried to establish a theory of structural universality in complex networks. However, there is no comprehensive study of network structure across a diverse set of domains in order to explain the structural diversity we observe in the real-world networks. In this paper, we study 986 real-world networks of diverse domains ranging from ecological food webs to online social networks along with 575 networks generated from four popular network models. Our study utilizes a number of machine learning techniques such as random forest and confusion matrix in order to show the relationships among network domains in terms of network structure. Our results indicate that there are some partitions of network categories in which networks are hard to distinguish based purely on network structure. We have found that these partitions of network categories tend to have similar underlying functions, constraints and/or generative mechanisms of networks even though networks in the same partition have different origins, e.g., biological processes, results of engineering by human being, etc. This suggests that the origin of a network, whether it's biological, technological or social, may not necessarily be a decisive factor of the formation of similar network structure. Our findings shed light on the possible direction along which we could uncover the hidden principles for the structural diversity of complex networks.

研究の動機と目的

• 生物学的、技術的、社会的システムといった異なる分野に属するネットワークを、構造的特徴のみで区別できるかどうかを調査すること。
• ネットワークのサブドメインを区別する構造的特徴を同定し、複雑ネットワークにおける構造的多様性の背後にある隠れた原則を解明すること。
• ネットワークの起源（例：生物学的、設計由来、社会的）が構造的類似性を決定づける要因であるか、それとも共通する機能的要因や制約がより大きな役割を果たすかを評価すること。
• 現在用いられる構造的特徴の限界を評価し、機械学習の活用によって隠れた生成メカニズムを明らかにできる可能性を検討すること。

提案手法

• 生態的食物連鎖、オンラインソーシャルネットワーク、代謝ネットワーク、インfra構造システムなどを含む15の分野にまたがる986件の実世界ネットワークを収集・分析した。
• 4つの代表的なネットワークモデル（例：優先接続、ランダムネットワークなど）を用いて575件の合成ネットワークを生成し、構造的比較の基準点とした。
• 次数分布、クラスタ係数、経路長などを含む8つの構造的特徴に基づき、ランダムフォレスト分類器を用いてネットワークドメインの区別可能性を評価した。
• 誤分類行列を用いて、起源が異なるにもかかわらず構造的に区別がつかないネットワークのグループ（クラスタ）を同定した。
• ネットワークコミュニティ検出を適用し、構造的グループ化を同定し、分類結果の妥当性を検証した。
• 特徴量の重要度とモデルの性能を評価し、構造的特徴が異なるドメイン間で予測力を持つかどうかを検証した。

実験結果

リサーチクエスチョン

• RQ1 多様な分野にまたがるネットワークサブドメインを区別するのに、どの構造的特徴が最も効果的か？
• RQ2 ネットワーク構造のみで、異なる起源（例：生物学的対技術的）のネットワークをどの程度区別できるか？
• RQ3 機能的または生成的起源が異なるにもかかわらず、構造的に区別がつかないネットワークカテゴリは存在するか？
• RQ4 機能性、物理的制約、生成メカニズムといった、見た目には関係のないネットワークタイプ間で構造的類似性を生じる背後にある原則は何か？
• RQ5 合成ネットワークモデルは、実世界ネットワークと比較して、構造的特徴空間のどの程度を占めているか？

主な発見

• 菌類ネットワーク（生物学的）と水道配管ネットワーク（人工的）といった、異なる分野に属するネットワークが構造的に類似していることが判明し、共通する機能的または設計的制約がある可能性を示唆した。
• ランダムフォレスト分類器が、タンパク質相互作用ネットワークとコネクトームネットワークといった特定のネットワークカテゴリを信頼性なく区別できたことから、起源が異なっていても構造的に区別がつかないことが示された。
• 誤分類行列の結果、共通する機能的要因や生成メカニズムを持つネットワークは、異なる分野に由来する場合でも、構造的特徴空間においてクラスタを形成することが分かった。
• 実世界ネットワークの大部分が理論的に可能な構造的特徴空間の特定の領域に集中していることが判明し、効率性や耐障害性の最適化が行われている可能性を示唆した。
• 本研究では、ネットワークの起源（生物学的、技術的、社会的）が構造的類似性を決定づける要因ではないことが判明した。むしろ、共通する機能的要因や制約がより顕著な役割を果たしていることが示された。
• 本研究で用いた特徴空間（8つの構造的特徴）は、ネットワーク多様性を完全に捉えるには不十分であり、スケール不変性を持つ追加の特徴量を導入することで、さらに隠れたパターンが明らかになる可能性がある。