[論文レビュー] Empirical comparison of network sampling techniques

Neli Blagus, Lovro Šubelj+1 more|arXiv (Cornell University)|Jun 8, 2015

Complex Network Analysis Techniques参考文献 18被引用数 6

ひとこと要約

本稿では、10個の実世界ネットワークに対して、4つは部分グラフ誘導を伴い、4つは伴わない、合計8種類のネットワークサンプリング手法を経験的に比較している。部分グラフ誘導を伴う手法は、次数分布およびクラスタリング分布を一貫して低く見積もる傾向にあり、平均次数および密度は過大評価する。一方、部分グラフ誘導を伴わない手法は逆のバイアスを示し、密度の推定がより正確に近い。RNS（ランダムノード選択）は、全体として最も安定したパフォーマンスを示している。

ABSTRACT

In the past few years, the storage and analysis of large-scale and fast evolving networks present a great challenge. Therefore, a number of different techniques have been proposed for sampling large networks. In general, network exploration techniques approximate the original networks more accurately than random node and link selection. Yet, link selection with additional subgraph induction step outperforms most other techniques. In this paper, we apply subgraph induction also to random walk and forest-fire sampling. We analyze different real-world networks and the changes of their properties introduced by sampling. We compare several sampling techniques based on the match between the original networks and their sampled variants. The results reveal that the techniques with subgraph induction underestimate the degree and clustering distribution, while overestimate average degree and density of the original networks. Techniques without subgraph induction step exhibit exactly the opposite behavior. Hence, the performance of the sampling techniques from random selection category compared to network exploration sampling does not differ significantly, while clear differences exist between the techniques with subgraph induction step and the ones without it.

研究の動機と目的

• 実世界のネットワークの主要なネットワーク特性を保全するさまざまなネットワークサンプリング手法の正確性を評価・比較すること。
• 特に次数分布、クラスタリング係数、平均次数、密度に関連して、部分グラフ誘導がサンプリングの正確性に与える影響を調査すること。
• ランダム選択とネットワーク探索手法のどちらが、元のネットワーク構造をよりよく再現するかを検討すること。
• 特に部分グラフ誘導を含む戦略によって生じる系統的なバイアスを特定すること。
• ネットワークの特性と望ましい特性の保持に基づいて、将来のサンプリング手法の選択を支援すること。

提案手法

• 本研究では、10個の実世界ネットワークに、4つは部分グラフ誘導を伴う（RNSI, RNDI, RLSI, RLI）、4つは伴わない（RNS, RND, RLS, RL）合計8種類のサンプリング手法を適用した。
• 計算効率と正確性のバランスを考慮し、元のネットワークサイズの10–30%のサンプルサイズでサンプリングを実施した。これは、既存のベンチマークに従ったものである。
• 部分グラフ誘導とは、ノードベースのサンプリングではサンプル化されたノード間のすべての相互リンクを含めること、リンクベースのサンプリングではサンプル化されたリンクの端点間のすべてのリンクを含めることを意味する。
• 元のネットワークとサンプル化されたネットワークの一致度は、統計的指標（外部標準化残差および有意水準p = 0.05の両側t検定）を用いて評価した。
• 分析対象の主要なネットワーク特性には、次数分布、クラスタリング係数分布、平均次数、ネットワーク密度が含まれる。
• すべての10のデータセットにおいて、サンプル化されたバージョンと元のネットワークを比較し、系統的なバイアスおよび結果の一貫性に注目した。

実験結果

リサーチクエスチョン

• RQ1 さまざまなサンプリング手法は、実世界ネットワークの次数分布をどの程度保全しているか？
• RQ2 部分グラフ誘導は、クラスタリングや密度などのサンプルネットワーク特性の正確性にどのような影響を与えるか？
• RQ3 ネットワーク探索手法（例：ランダムウォーク、フォレストファイア）は、ランダム選択手法よりもネットワーク構造をよりよく保全できるか？
• RQ4 部分グラフ誘導によって、平均次数およびネットワーク密度の推定に系統的なバイアスが生じるか？
• RQ5 多様な実世界ネットワークにおいて、最も安定的かつ正確な近似を提供するサンプリング手法は何か？

主な発見

• 部分グラフ誘導を伴う手法は、元のネットワークの次数分布およびクラスタリング分布を一貫して低く見積もる。
• これに対して、部分グラフ誘導を伴わない手法は、次数分布およびクラスタリング分布を過大評価する。
• 部分グラフ誘導は、平均次数およびネットワーク密度の推定値を過大評価するが、部分グラフ誘導を伴わない手法はこれらの指標を低く見積もる。
• ランダム選択手法（例：RNS）のパフォーマンスは、ネットワーク探索手法と有意に差がないが、部分グラフ誘導あり／なしの手法間の差は明確である。
• すべての手法の中で、RNS（ランダムノード選択）が、評価されたすべてのネットワーク特性において、最も安定的かつ一貫性のある正確性を示した。
• ネットワーク探索カテゴリ内では、RWI（部分グラフ誘導を伴うランダムウォーク）が最も優れたパフォーマンスを示したが、他の部分グラフ誘導手法と同様のバイアスパターンを示した。