[論文レビュー] Finding the right scale of a network: Efficient identification of causal emergence through spectral clustering

Ross Griebenow, Brennan Klein+1 more|arXiv (Cornell University)|Aug 20, 2019

Complex Network Analysis Techniques参考文献 24被引用数 6

ひとこと要約

本論文は、優先接続ネットワークにおける情報的で有益なマクロスケール表現を、スペクトルクラスタリングに基づく手法で効率的に同定することを提案しており、そのスケールがマイクロスケールネットワークよりも、効果的情報（EI）、決定論的性、ネットワーク効率の観点で顕著に優れていることを示している。このアプローチは、グリーディ法や勾配降下法よりも、速度と性能の両面で優れており、大規模ネットワークにおける因果的出現のスケーラブルな検出を可能にしている。

ABSTRACT

All networks can be analyzed at multiple scales. A higher scale of a network is made up of macro-nodes: subgraphs that have been grouped into individual nodes. Recasting a network at higher scales can have useful effects, such as decreasing the uncertainty in the movement of random walkers across the network while also decreasing the size of the network. However, the task of finding such a macroscale representation is computationally difficult, as the set of all possible scales of a network grows exponentially with the number of nodes. Here we compare various methods for finding the most informative scale of preferential attachment networks, discovering that an approach based on spectral analysis outperforms greedy and gradient descent-based methods. We then use this procedure to show how several structural properties of these networks vary across scales. We describe how meso- and macroscale representations of networks can have significant benefits over their underlying microscale in terms of information transmission, which include properties such as increase in determinism, a decrease in degeneracy, a lower entropy rate of random walkers on the network, an increase in global network efficiency, and higher values for a variety of centrality measures than the microscale.

研究の動機と目的

• 複雑なネットワークにおける情報的で有益なマクロスケール表現を同定するための計算的課題に対処すること。
• グリーディ法、勾配降下法、スペクトルクラスタリングといった異なるアルゴリズムを比較・評価し、ネットワークスケール全体で因果的出現を検出すること。
• マクロスケールネットワークがマイクロスケールネットワークよりも、高い効果的情報（EI）を示すことで、因果的出現が顕著であることを実証すること。
• 特に計算的に困難なミゾスケール領域において、大規模ネットワークにおける情報的で有益な高次のスケールを同定するスケーラブルな手法を開発すること。
• 因果的出現検出のためのスペクトルクラスタリング手法の公開実装を提供すること。

提案手法

• ネットワークの隣接行列のスペクトル分解を用いて、ノードを自然なグループ（マクロノード）に分割する。
• 正規化ラプラシアン行列の固有ベクトルに基づき、修正されたスペクトルクラスタリングアルゴリズムを適用して、マイクロノードをマクロノードにパーティショニングする。
• 各スケールにおける効果的情報（EI）を計算する：$EI = H(\langle W^{out}_i \rangle) - \langle H(W^{out}_i) \rangle$、これはランダムウォーク遷移における決定論的性を定量化する。
• 因果的出現は、マクロスケールにおけるEIの増加、すなわち $EI(G_M) - EI(G)$ として定義される。
• EIを最大化するパーティショニングを複数評価し、グリーディ法や勾配降下法のベースラインと性能を比較する。
• 本手法は、github.com/jkbren/einet で公開されたPythonパッケージとして実装されており、再現性と広範な利用を目的としている。

実験結果

リサーチクエスチョン

• RQ1 グリーディ法、勾配降下法、スペクトルクラスタリングのうち、どのアルゴリズムが優先接続ネットワークにおける情報的で有益なマクロスケールを同定するのに最も効果的か？
• RQ2 因果的出現を検出するのが最も困難なネットワークスケール（マイクロ、ミゾ、マクロ）はどこか、その理由は何か？
• RQ3 エントロピー率、グローバル効率、中心性といった主要なネットワーク特性は、スケールを越えてどのように変化するか？
• RQ4 他の手法が計算的に失敗する大規模ネットワークにおいて、スペクトルクラスタリングは因果的出現を信頼性高く検出できるか？
• RQ5 マクロスケール表現は、マイクロスケールネットワークと比較して、情報伝送と構造的決定論的性をどの程度向上させるか？

主な発見

• スペクトルクラスタリングは、グリーディ法や勾配降下法を上回り、EI値が高く、実行時間も桁違いに速かった。
• ノードサイズの不均一性が特徴のミゾスケール—特に、情報的で有益なスケールを同定するのが計算的に最も困難な領域であった。
• マクロスケールネットワークでは、ランダムウォークのエントロピー率が低く抑えられ、マイクロスケールと比較して遷移の不確実性が低減していることが示された。
• グローバルネットワーク効率はマクロスケールで向上しており、ネットワーク全体における情報伝送の改善を示唆している。
• 媒介性を含むさまざまな中心性指標が、マクロスケールでマイクロスケールよりも高くなっており、ノードの構造的重要性が向上していることを示している。
• スペクトルクラスタリング手法は、合成的な優先接続ネットワークにとどまらず、実世界のタンパク質相互作用網においても因果的出現を効果的に同定した。これにより、本手法の実用的応用可能性が裏付けられた。