[論文レビュー] Efficient Algorithms to Mine Maximal Span-Trusses From Temporal Graphs

Quintino Francesco Lotito, Alberto Montresor|arXiv (Cornell University)|Sep 3, 2020

Data Mining Algorithms and Applications参考文献 19被引用数 5

ひとこと要約

本稿では、部分グラフの密度（k）と時間的スパン（Δ）の両方を捉える、k-トランスの時間的一般化である(k,Δ)-トランス（スパン・トランス）を導入する。実世界のデータセット（wikitalkなど）において、ベースライン手法と比較して最大10倍の高速化を達成する、効率的なアルゴリズム（ストリーミングおよびヒューリスティック最適化）を提案する。

ABSTRACT

Over the last decade, there has been an increasing interest in temporal graphs, pushed by a growing availability of temporally-annotated network data coming from social, biological and financial networks. Despite the importance of analyzing complex temporal networks, there is a huge gap between the set of definitions, algorithms and tools available to study large static graphs and the ones available for temporal graphs. An important task in temporal graph analysis is mining dense structures, i.e., identifying high-density subgraphs together with the span in which this high density is observed. In this paper, we introduce the concept of $(k, Δ)$-truss (span-truss) in temporal graphs, a temporal generalization of the $k$-truss, in which $k$ captures the information about the density and $Δ$ captures the time span in which this density holds. We then propose novel and efficient algorithms to identify maximal span-trusses, namely the ones not dominated by any other span-truss neither in the order $k$ nor in the interval $Δ$, and evaluate them on a number of public available datasets.

研究の動機と目的

• 社会的・生物学的・金融的ネットワークデータの増加に伴い、時間的グラフにおける密な部分グラフをマイニングするための効率的ツールの不足に対処する。
• 密度（k）と時間的スパン（Δ）を組み合わせた、時間的密な部分グラフ構造としての新しい構造、(k,Δ)-トランスを定義する。
• k も Δ もより大きい任意の他のスパン・トランスに支配されない、最大のスパン・トランスを発見するための効率的アルゴリズムを開発する。これにより、動的ネットワークのスケーラブルな解析を可能にする。
• ストリーミングによるエッジサポート計算と、重複するトランス分解を回避するためのヒューリスティックを用いて、特に大規模な時間的グラフにおいて性能を向上させる。

提案手法

• エッジが時間窓Δ内に少なくともk個の三角形に属する必要があることから、k-トランスの時間的拡張として(k,Δ)-トランスを導入する。
• すべての可能なkとΔの組み合わせを列挙し、トランス条件を検証することで、すべてのスパン・トランスを計算するベースラインアルゴリズムを設計する。
• 時間順にエッジを処理するストリーミングアルゴリズムを実装し、再計算を削減することで効率性を向上させる。
• k-トランスの性質に関する境界を活用して、不要なトランス分解をスキップするヒューリスティックを導入し、特定のデータセットにおける計算オーバーヘッドを低減する。
• 2段階のアプローチを採用する：まず、効率的なエッジサポート追跡により候補となるスパン・トランスを特定；次に、kおよびΔにおける支配関係をチェックすることで最大性を検証する。
• 時間的順序の利活用と、トランス条件を満たさない場合の早期終了により、アルゴリズムを最適化する。特に、スパarsな領域や低密度領域において顕著な効果を発揮する。

実験結果

リサーチクエスチョン

• RQ1 k-トランスの概念を、動的ネットワークにおける密度と時間的持続期間の両方を捉えるようにどのように一般化できるか？
• RQ2 重複計算を避けながら、すべての最大スパン・トランスをマイニングするための効率的アルゴリズム的手法は何か？
• RQ3 ストリーミングによるエッジサポート計算は、大規模な時間的グラフにおいてどのように性能を向上させるか？
• RQ4 どのような状況下で、ヒューリスティックに基づくプルーニング戦略が正しさを損なわずに実行時間を顕著に短縮できるか？
• RQ5 提案されたアルゴリズムは、実世界の多様な時間的データセットにおいて、実行時間およびトランス発見の観点からどのようにスケーリングするか？

主な発見

• 提案されたストリーミングアルゴリズムは、wikitalkデータセットにおいてベースラインと比較して実行時間を最大10倍短縮し、顕著な性能向上を示した。
• ヒューリスティックに基づく最適化により、wikitalkデータセットでは効率的なストリーミングアルゴリズムよりも実行時間がさらに半減し、高密度領域での顕著な向上が確認された。
• 平均して、ストリーミングアプローチはすべてのデータセットでベースラインを常に上回り、実行時間の一定な削減が見られた。
• 一部のデータセットではヒューリスティックにわずかなオーバーヘッドが生じたが、他のデータセットでは顕著な高速化が達成され、広範な適用性を裏付けるものであった。
• 最大スパン・トランスマイニングフレームワークは、多様な実世界の時間的ネットワークにおいて、密で時間的に一貫性のある部分グラフを効果的に同定した。これにより、動的ネットワーク解析における実用性が裏付けられた。
• 結果から、ストリーミング計算と知的なプルーニングの組み合わせが、スケーラブルかつ効率的な意味のある時間的密構造の発見を可能にすることが確認された。