[論文レビュー] ELRUNA : Elimination Rule-based Network Alignment

Zirou Qiu, Ruslan Shaydulin+4 more|arXiv (Cornell University)|Jan 1, 2019

Complex Network Analysis Techniques参考文献 34被引用数 2

ひとこと要約

ELRUNA は、グラフ構造にのみ依存して反復的に頂点類似度を計算する、新しいルールベースのネットワークアラインメントアルゴリズムであり、事前類似度行列に依存しない。ノイズに強く、実行時間も短く、最新のアラインメント精度を達成する。RAWSEM はランダムウォークに基づく局所探索選択手法であり、反復回数を大幅に削減し、後処理の効率を向上させる。

ABSTRACT

Networks model a variety of complex phenomena across different domains. In many applications, one of the most essential tasks is to align two or more networks to infer the similarities between cross-network vertices and discover potential node-level correspondence. In this paper, we propose ELRUNA (Elimination rule-based network alignment), a novel network alignment algorithm that relies exclusively on the underlying graph structure. Under the guidance of the elimination rules that we defined, ELRUNA computes the similarity between a pair of cross-network vertices iteratively by accumulating the similarities between their selected neighbors. The resulting cross-network similarity matrix is then used to infer a permutation matrix that encodes the final alignment of cross-network vertices. In addition to the novel alignment algorithm, we also improve the performance of local search, a commonly used post-processing step for solving the network alignment problem, by introducing a novel selection method RAWSEM (Randomwalk based selection method) based on the propagation of the levels of mismatching (defined in the paper) of vertices across the networks. The key idea is to pass on the initial levels of mismatching of vertices throughout the entire network in a random-walk fashion. Through extensive numerical experiments on real networks, we demonstrate that ELRUNA significantly outperforms the state-of-the-art alignment methods in terms of alignment accuracy under lower or comparable running time. Moreover, ELRUNA is robust to network perturbations such that it can maintain a close to optimal objective value under a high level of noise added to the original networks. Finally, the proposed RAWSEM can further improve the alignment quality with a less number of iterations compared with the naive local search method.

研究の動機と目的

• 外部類似度行列やドメイン固有の情報に依存しない、グラフ構造のみに依存するネットワークアラインメント手法の開発。
• 既存手法における高次数ノードによる類似度の希釈問題を解消するため、除去ルールの導入。
• ネットワークアラインメントにおける局所探索の後処理の効率性と有効性の向上。
• ノイズやネットワークの摂動に対するアラインメントのロバストネスの強化。
• ランダムウォークを用いて不一致情報を伝搬することで、局所探索の収束を加速する選択メカニズムの設計。

提案手法

• ELRUNA は、ユーザーが定義した除去ルールに従い、選択された近隣ノード間の類似度を累積することで、反復的にクロスネットワークの頂点類似度を計算する。
• 除去ルールは、構造的一致性がより高い近隣ペアを優先し、ノイズや類似度の低い接続の影響を低減する。
• 類似度行列は反復的伝搬によって構築され、各頂点の類似度はその近隣の類似度スコアに基づいて更新される。
• RAWSEM は、初期の不一致信号をネットワーク全体にわたって伝搬するランダムウォークに基づく選択メカニズムを導入し、局所探索をガイドする。
• 最終的なアラインメントは、類似度行列上で最大重みマッチングを用いて推定される置換行列から導出される。
• RAWSEM を用いた後処理により、ナードな局所探索と比較して、高品質な解に到達するための反復回数が削減される。

実験結果

リサーチクエスチョン

• RQ1 事前類似度行列やドメイン固有の情報に依存せずに、高精度なネットワークアラインメント手法を実現できるか？
• RQ2 反復的ネットワークアラインメントにおいて、高次数ノードが原因となる類似度の希釈をどのように軽減できるか？
• RQ3 ランダムウォークに基づく選択戦略は、ネットワークアラインメントにおける局所探索の効率を向上させられるか？
• RQ4 本手法は、高いレベルのネットワークノイズや摂動下でもどのように性能を発揮するか？
• RQ5 RAWSEM は、アラインメント品質を向上させながら、局所探索の反復回数をどの程度削減できるか？

主な発見

• ELRUNA は、実世界のネットワークにおいて、最新の手法と同等またはそれ以下の実行時間で、より高いアラインメント精度を達成する。
• ELRUNA は 60% のノイズ下でも、ほぼ最適な目的関数値（EC と S3）を維持し、強いロバストネスを示す。
• RAWSEM は、ベースライン手法と比較して、局所探索の反復回数を最大で 13 倍削減する。
• RAWSEM は、ベースラインの局所探索と比較して最大で 13 倍の高速な収束を達成し、一部のケースでは平均実行時間を 6 秒以上から 0.3 秒未満に短縮する。
• 後処理において、RAWSEM は実ネットワークで EC を最大で 5.72%、S3 を最大で 10.08% 向上させ、ベースラインの局所探索を上回る。
• 本手法は、生物学的、社会的、共同作業ネットワークを含む多様なネットワークタイプにおいて、一貫した性能向上を示す。