[論文レビュー] Estimating the sensitivity of centrality measures w.r.t. measurement errors

Christoph Martin, Peter Niemeyer|arXiv (Cornell University)|Apr 4, 2017

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

ひとこと要約

本稿では、測定誤差の影響を受けるネットワークにおける中心性測度の信頼性を評価する感度指標を導入し、観測されたネットワークと誤差仮定に基づく2つの推定手法（補完法と反復法）を提案する。反復法は、実世界ネットワークおよびスケールフリーネットワークにおいて、特にPageRankに対して補完法を上回り、不確実性下での中心性の頑健性を評価するための実用的ツールを研究者に提供する。

ABSTRACT

Most network studies rely on an observed network that differs from the underlying network which is obfuscated by measurement errors. It is well known that such errors can have a severe impact on the reliability of network metrics, especially on centrality measures: a more central node in the observed network might be less central in the underlying network. We introduce a metric for the reliability of centrality measures -- called sensitivity. Given two randomly chosen nodes, the sensitivity means the probability that the more central node in the observed network is also more central in the underlying network. The sensitivity concept relies on the underlying network which is usually not accessible. Therefore, we propose two methods to approximate the sensitivity. The iterative method, which simulates possible underlying networks for the estimation and the imputation method, which uses the sensitivity of the observed network for the estimation. Both methods rely on the observed network and assumptions about the underlying type of measurement error (e.g., the percentage of missing edges or nodes). Our experiments on real-world networks and random graphs show that the iterative method performs well in many cases. In contrast, the imputation method does not yield useful estimations for networks other than Erdős-Rényi graphs.

研究の動機と目的

• 測定誤差を伴うネットワークにおける中心性測度の信頼性を推定するための標準化された手法の欠如に対処すること。
• 観測ネットワークにおけるノード中心性順位が真の（誤差なしの）ネットワークにおける順位と一致する確率を定量化する感度指標を導入すること。
• 真の隠れたネットワークにアクセスできない研究者でも、中心性信頼性を評価できる実用的な推定手法を開発すること。
• さまざまなネットワークタイプ、特に実世界ネットワークおよび誤差メカニズムが異なる合成ネットワークにおいて、これらの手法の性能を評価すること。
• 測定誤差が中心性に基づく結論に与える影響を評価するための信頼性があり解釈可能なツールを研究者に提供すること。

提案手法

• 2つのノードをランダムに選択した際、観測ネットワークでより中心性が高いノードが真のネットワークでもより中心性が高い確率として定義される感度指標を提案する。
• 観測ネットワークの感度が隠れたネットワークの感度に近似すると仮定する反復法を導入し、仮定された誤差タイプ下での自己同型性の性質を活用する。
• 測定誤差を逆転させることで隠れたネットワークを再構築しようとする補完法を開発し、再構築されたネットワーク上で感度を計算する。
• ランダムグラフメカニズム（例：ランダムエッジ削除、ランダムエッジ追加、ランダムノード削除）を用いて誤差をモデル化し、指定された誤差レベル（例：10%、30%）を設定する。
• 複数の試行においてモンテカルロシミュレーションを実施し、各手法およびネットワークタイプの成功確率と平均感度値を推定する。
• Erdős–Rényi（ER）グラフ、Barabási–Albert（BA）グラフ、および実世界ネットワーク（例：Dolphins、Hamsterster、Jazz、タンパク質ネットワーク）を用いて手法を検証し、中心性測度ごとに結果を比較する。

実験結果

リサーチクエスチョン

• RQ1 真の隠れたネットワークが不明な状況下で、測定誤差が生じるネットワークにおける中心性測度の信頼性をどのように定量化できるか？
• RQ2 補完法と反復法のうち、どの推定手法が多様なネットワーク構造および誤差メカニズムにおいてより正確な感度推定を提供するか？
• RQ3 反復法の性能は、次数、媒介性、近接性、固有ベクトル、PageRankなどの中心性測度の種別によって異なるか？
• RQ4 誤差レベルの増加（例：10% 対 30%）および誤差メカニズムの違い（例：エッジ削除 対 エッジ追加）に伴い、中心性測度の感度はどのように変化するか？
• RQ5 反復法の背後にある自己同型性仮定はどのような条件下で成立し、どのような状況で失敗するか？

主な発見

• 反復法は、Barabási–Albertグラフおよび実世界ネットワークにおいて、特にPageRankに対して補完法を顕著に上回り、感度値が高く維持された（例：10%誤差レベルで93.0%）。
• 10%のランダムエッジ削除（比例的または一様）を伴う実世界ネットワークでは、反復法がPageRankおよび近接性中心性で平均感度90%以上、媒介性および固有ベクトル中心性で95%以上を達成した。
• 補完法は非-ERネットワークでは信頼できる推定を生成できず、Erdős–Rényiグラフでのみ良好な性能を示したため、一般化可能性に制限があることが判明した。
• 次数中心性は高い感度を示した（例：10%エッジ追加のDolphinsで98.5%）、測定誤差に対して相対的に頑健であるが、これは構造的単純さに起因する可能性がある。
• 30%の誤差レベルでは、反復法はランダムエッジ削除および不正なエッジ追加において良好な性能を維持したが、小規模ネットワークにおけるノード削除および比例的エッジ削除では感度が著しく低下した。
• 本研究は、反復法が実世界ネットワーク解析における中心性信頼性推定の実用的で妥当なアプローチであるという実証的証拠を提供している。