[論文レビュー] Degree-degree correlations in random graphs with heavy-tailed degrees

Nelly Litvak, Remco van der Hofstad|University of Twente Research Information|Feb 14, 2012

Hermeneutics and Narrative Identity被引用数 4

ひとこと要約

本稿は、重い尾を持つ次数分布を示すスケールフリーネットワークにおける次数-次数依存関係のピアソン積率相関係数が根本的に誤りであることを示している。これは、大規模ネットワークの極限において、強い非同調的ネットワークであっても、非負の極限に収束するか、ランダムに変動する。代替として、スピアマンの rho などの順位相関係数を提唱する。これは一貫して意味のある極限に収束し、ネットワークサイズに関係なく正および負の依存関係を信頼性高く捉えることができる。

ABSTRACT

Mixing patterns in large self-organizing networks, such as the Internet, the World Wide Web, social and biological networks are often characterized by degree-degree {dependencies} between neighbouring nodes. One of the problems with the commonly used Pearson's correlation coefficient (termed as the assortativity coefficient) is that {in disassortative networks its magnitude decreases} with the network size. This makes it impossible to compare mixing patterns, for example, in two web crawls of different size. We start with a simple model of two heavy-tailed highly correlated random variable $X$ and $Y$, and show that the sample correlation coefficient converges in distribution either to a proper random variable on $[-1,1]$, or to zero, and if $X,Y\ge 0$ then the limit is non-negative. We next show that it is non-negative in the large graph limit when the degree distribution has an infinite third moment. We consider the alternative degree-degree dependency measure, based on the Spearman's rho, and prove that it converges to an appropriate limit under very general conditions. We verify that these conditions hold in common network models, such as configuration model and Preferential Attachment model. We conclude that rank correlations provide a suitable and informative method for uncovering network mixing patterns.

研究の動機と目的

• スケールフリーネットワークにおける重い尾を持つ次数分布を有する場合に、ピアソンの相関係数を用いて次数-次数依存関係を測定する際の根本的欠陥を特定すること。
• ピアソン相関係数が、強い負の次数-次数依存関係があるにもかかわらず、非負の極限に収束するか、確率変数に収束する可能性があることを示すこと。
• 特にスピアマンの rho を含む順位相関係数を、有限モーメントの数に依存せず、大規模ネットワークの極限において意味的に収束するより信頼性の高い代替手段として提唱すること。
• 配置モデルや優先的付加モデルなどの一般的なネットワークモデルにおいて、スピアマンの rho が well-defined な極限に収束する理論的条件を確立すること。
• パワー則次数分布を示す複雑ネットワークの文脈において、ピアソン相関よりも順位ベースの依存関係測定を用いる理論的根拠を提供すること。

提案手法

• 3次モーメントが無限大である2つの重い尾を持つ高相関の確率変数に対して、標本ピアソン相関係数の漸近的挙動を解析的に研究すること。
• 重い尾を持つ確率変数に関する結果を、ランダムグラフにおける次数-次数依存関係に適用し、次数が非負で分散が無限大である場合、ピアソン係数が漸近的に非負であることを示すこと。
• ピアソン係数が非同調的ネットワークにおいてゼロに収束する明示的な例と、強い負の依存関係があるにもかかわらず、非退化確率変数に分布収束する例を構築すること。
• ノード次数の順位変換に基づくスピアマンの rho を、極端な値に敏感でない依存関係測定の代替手段として提唱すること。
• 次数分布に関する一般条件の下でスピアマンの rho が well-defined な極限に収束することを証明すること。これは配置モデルや優先的付加モデルが満たす条件を含む。
• 極値理論およびコプーラ理論の道具、特に「角的測度」の概念を用いて、尾部依存関係を解釈し、順位相関の結果と比較すること。

実験結果

リサーチクエスチョン

• RQ1 なぜ、重い尾を持つ次数を持つ大規模スケールフリー・ネットワークでは、ピアソン相関係数が次数-次数依存関係を信頼性高く測定できないのか？
• RQ2 どのような条件下で、真の依存関係が強く負であっても、ピアソン相関係数が非負の極限に収束するのか？
• RQ3 スピアマンの rho などの順位相関係数は、異なるネットワークサイズにおいて、正および負の次数-次数依存関係を一貫して捉えることができるか？
• RQ4 パワー則次数分布を示すランダムグラフモデルにおいて、スピアマンの rho が意味的に well-defined な極限に収束するための理論的条件は何か？
• RQ5 順位ベースの測定は、複雑ネットワークにおける尾部依存関係や構造的混合パターンを、ピアソン相関と比較してどのように捉えるのか？

主な発見

• 3次モーメントが無限大であるスケールフリーネットワークにおける次数-次数依存関係のピアソン相関係数は、分布収束の結果として非負の確率変数またはゼロに収束する。これは、真の依存関係が強く負であっても同様である。
• 重い尾を持つ次数を持つネットワークでは、ネットワークサイズが増大するにつれてピアソン係数が無限に変動し続け、異なるサイズのネットワーク間での混合パターンの比較に信頼性を欠く。
• 次数分布に関する一般条件の下で、スピアマンの rho は一貫して well-defined な極限に収束し、配置モデルや優先的付加モデルにおいても同様である。
• 順位相関の使用により、ピアソン係数の病理的挙動を回避し、次数分布の有限モーメント数に依存せず、安定的かつ情報豊富な依存関係測定が可能になる。
• 本稿は、重い尾を持つ次数を持つネットワークにおいて、順位相関がピアソン相関よりも適切である理論的根拠を提供している。特に、非同調的構造を研究する際には顕著である。
• 結果として、順位相関係数は極端な値に対してロバストであり、無限大のネットワーク極限においても、正および負の次数-次数依存関係を信頼性高く検出可能であることが示された。