[論文レビュー] Estimating Subgraph Frequencies with or without Attributes from Egocentrically Sampled Data

Minas Gjoka, Emily J. Smith+1 more|arXiv (Cornell University)|Oct 27, 2015

Complex Network Analysis Techniques参考文献 38被引用数 6

ひとこと要約

本稿では、完全なネットワークにアクセスできないか、アクセスが制限されているような大規模または未知のグラフにおける部分グラフ頻度の不偏推定量を、エゴセントリック・ネットワーク・サンプリング（エゴノードとその直接の隣接ノードのみが観測される）手法を用いて提案する。サンプリングされたエゴネット内での正確な部分グラフカウンティングと、ロール占有または一意カウント推定量の適用により、ラベルあり・なし、大規模または属性付きの部分グラフを含む、ラベルなし・ありの両方の部分グラフについて、効率的かつ並列化可能な推定が可能となる。シミュレーションでは、最先端手法を最大10倍の性能で上回る。

ABSTRACT

In this paper we show how to efficiently produce unbiased estimates of subgraph frequencies from a probability sample of egocentric networks (i.e., focal nodes, their neighbors, and the induced subgraphs of ties among their neighbors). A key feature of our proposed method that differentiates it from prior methods is the use of egocentric data. Because of this, our method is suitable for estimation in large unknown graphs, is easily parallelizable, handles privacy sensitive network data (e.g. egonets with no neighbor labels), and supports counting of large subgraphs (e.g. maximal clique of size 205 in Section 6) by building on top of existing exact subgraph counting algorithms that may not support sampling. It gracefully handles a variety of sampling designs such as uniform or weighted independence or random walk sampling. Our method can be used for subgraphs that are: (i) undirected or directed; (ii) induced or non-induced; (iii) maximal or non-maximal; and (iv) potentially annotated with attributes. We compare our estimators on a variety of real-world graphs and sampling methods and provide suggestions for their use. Simulation shows that our method outperforms the state-of-the-art approach for relative subgraph frequencies by up to an order of magnitude for the same sample size. Finally, we apply our methodology to a rare sample of Facebook users across the social graph to estimate and interpret the clique size distribution and gender composition of cliques.

研究の動機と目的

• 完全なネットワークへのアクセスが困難または制限されているような大規模または未知のグラフにおける部分グラフ頻度の推定を目的とする。
• グローバルなネットワーク知識を必要とせず、エゴノードとその隣接ノードからなるエゴセントリック・データを用いる手法の開発を目的とする。
• プライバシー制約下でも、誘導部分グラフ、最大部分グラフ、属性付き部分グラフを含む複雑な部分グラフの推定を支援することを目的とする。
• サンプリング機能を備えていない既存の正確な部分グラフカウンティングツールを活用し、効率的かつ並列化可能な推定を可能とすることを目的とする。
• 最先端手法との性能比較を行い、実世界のFacebookデータを用いた実用性の検証を目的とする。

提案手法

• 本手法は、標本対象となるエゴノードの確率的サンプルを収集し、そのエゴネット（エゴノードの隣接ノードおよびそれらの間の接続）を取得する。
• 各エゴネットに対して、既存のツールを用いて正確な部分グラフカウンティングを実行し、局所的な部分グラフ頻度を算出する。
• 2つの推定戦略を用いる：隣接ノードのラベルが利用可能な場合には一意カウント（UC）を、ラベルが存在しないかプライベートな場合にはロール占有（RO）を用いる。
• UCは、ノードIDを用いてエゴネット間で重複する部分グラフを補正することで、グローバルな部分グラフカウントを推定する。
• ROは、エゴネット内での部分グラフの役割をモデル化することで、一意ラベルに依存しない推定を実現する。
• これらの推定量は不偏かつスケーラブルであり、有向・無向、誘導部分グラフ・非誘導部分グラフ、属性付き・属性なし部分グラフの両方をカバーできる。

実験結果

リサーチクエスチョン

• RQ1 完全なネットワークへのアクセスなしに、エゴセントリック・ネットワーク・サンプルから不偏な部分グラフ頻度推定が可能か？
• RQ2 PSRWのような最先端のサンプリング手法と比較して、提案手法の精度とサンプル効率はどの程度か？
• RQ3 標準的なツールがサンプリングをサポートしない状況において、最大で205のノードを有するような大規模または複雑な部分グラフ（例：最大クライク）をどの程度正確に推定できるか？
• RQ4 オンラインソーシャルネットワークにおけるクライクの性別構成は、サイズに応じてどのように変化するか？どのような構造的パターンが浮き彫りになるか？
• RQ5 オフラインの対面グループと比較して、オンラインソーシャルネットワークにおけるクライク形成のメカニズムについてどのような知見が得られるか？

主な発見

• シミュレーションにおいて、同じサンプルサイズで最先端のPSRW手法と比較し、提案手法は相対誤差の観点で最大10倍の性能向上を達成した。
• 本手法は、最大205のノードを有する極めて大規模な部分グラフ（例：最大クライク）の頻度推定に成功し、通常の限界を超えたスケーラビリティを示した。
• Facebookデータでは、モードとなるクライクサイズは50であり、32、41、50に顕著なピークが観察された。これは、非単調的かつ多様なクライク形成メカニズムを示している。
• クライクの性別構成には明確なモードが見られ、サイズ0–40ではほぼ男女比のクライク、サイズ40–100では70–80％が男性、サイズ40–80では60–80％が女性、120以上のクライクでは女性の支配的優位性が顕著であった。
• 従来の予測（オフライングループでは集団サイズと性別非対称性に負の相関がある）とは対照的に、オンラインネットワークでは大規模なサイズでも男女比の近いクライクが継続的に存在することが示された。
• 本研究は、オンラインソーシャルネットワークにおけるクライクが、フライアーリティ、ソロリティ、学校、職場などの社会的文脈によって駆動される複雑でサイズ依存の性別構成パターンを示していることを明らかにした。