[論文レビュー] DELTACON: A Principled Massive-Graph Similarity Function

Danai Koutra, Joshua T Vogelstein+1 more|arXiv (Cornell University)|Apr 17, 2013

Complex Network Analysis Techniques参考文献 21被引用数 123

ひとこと要約

本稿では、既知のノード対応関係を前提とした、原理的で直感的かつスケーラブルなグラフ類似度関数であるDeltaConを紹介する。この手法は、接続性の変化を検出するための拡散ベースのアフィニティスコアメカニズムを用い、合成グラフおよび実世界のグラフ（脳結合ネットワークやEnronメールグラフを含む）において優れた性能を示す。応用例として創造性分類および時系列異常検出が挙げられる。

ABSTRACT

How much did a network change since yesterday? How different is the wiring between Bob's brain (a left-handed male) and Alice's brain (a right-handed female)? Graph similarity with known node correspondence, i.e. the detection of changes in the connectivity of graphs, arises in numerous settings. In this work, we formally state the axioms and desired properties of the graph similarity functions, and evaluate when state-of-the-art methods fail to detect crucial connectivity changes in graphs. We propose DeltaCon, a principled, intuitive, and scalable algorithm that assesses the similarity between two graphs on the same nodes (e.g. employees of a company, customers of a mobile carrier). Experiments on various synthetic and real graphs showcase the advantages of our method over existing similarity measures. Finally, we employ DeltaCon to real applications: (a) we classify people to groups of high and low creativity based on their brain connectivity graphs, and (b) do temporal anomaly detection in the who-emails-whom Enron graph.

研究の動機と目的

• 既知のノード対応関係がある状況におけるグラフ類似度関数のための公理および望ましい性質を形式化すること。
• 既存のグラフ類似度測定法が、微細ではあるが意味のある接続性の変化を検出できないという限界を克服すること。
• 大規模グラフ比較に適した、直感的かつ数学的に整合性のあるスケーラブルなアルゴリズムの開発。
• 合成グラフおよび実世界のグラフ（脳結合グラフや通信ネットワークを含む）に対してDeltaConを評価すること。
• 時系列異常検出および創造性水準による脳グラフのクラスタリングといった実用的応用を通じて、実用的価値を示すこと。

提案手法

• ノードアフィニティの拡散に基づくグラフ類似度関数であるDeltaConを提案。類似度は、グラフの辺に沿った正規化されたスコア伝搬プロセスによって計算される。
• 初期化されたシードベクトルを用いた拡散プロセスにより、ノード間の最終的なアフィニティスコアを計算し、減衰係数ε = 1/(1 + 最大次数)によって収束を保証する。
• L2正規化された最終アフィニティスコアから導出される対称的類似度測定を採用し、ノードラベル付けやスケールの変化に対して不変性を確保する。
• 大規模グラフにおける効率的な計算を可能とするために、縮小された行列表現（S'）を用い、辺の数に対して線形時間計算量を達成する。
• アイデンティティ、対称性、辺の追加における一貫性といった公理（A1–A3）を形式化することで、論理的な整合性を持つ枠組みを構築する。
• 階層的クラスタリングおよび分散分析（ANOVA）を用いて、脳結合グラフの構造的差を評価する。

実験結果

リサーチクエスチョン

• RQ1 グラフ類似度関数が原理的かつ直感的であるために満たすべき公理および性質をどのように定式化できるか？
• RQ2 既存のグラフ類似度測定法は、実世界および合成グラフにおいて、重要な接続性の変化をどの程度検出できないのか？
• RQ3 拡散ベースのアフィニティモデルは、既存のグラフ類似度関数の代替として、スケーラブルかつ解釈可能であると見なせるか？
• RQ4 DeltaConは、Enronメールグラフのような時間的に変化するネットワークにおける時系列異常を効果的に検出できるか？
• RQ5 DeltaConは、創造性や性格特性に関連する生物学的に意味のある脳結合グラフの構造的差を明らかにできるか？

主な発見

• DeltaConは、直感的で一貫性のある類似度スコアを提供するなど、6つの最先端類似度測定法を上回り、接続性の変化検出において優れた性能を示した。
• Enronメールグラフにおいて、DeltaConは通信パターンの顕著な変化に対応する時系列異常を正常に同定した。
• 脳結合グラフ解析において、DeltaConは114名の被験者を、合成的創造性指数（p値 = 0.0057）において有意に異なる2つのグループにクラスタリングした。
• 2つのクラスタは、開放性インデックスについてもわずかに有意な差（p値 = 0.0558）を示し、性格と関連する脳構造的差が存在することを示唆した。
• DeltaConは大規模グラフにおいてもスケーラブルであり、コンsumerハードウェアで6700万本以上の辺を持つネットワークを約160秒で処理できた。
• 分散分析の結果、脳結合構造と年齢、性別、知能指数との間に有意な関係は認められず、DeltaConが特定的で非自明なパターンを検出していることが示された。