[論文レビュー] Flow Motifs in Interaction Networks

Chrysanthi Kosyfaki, Nikos Mamoulis+2 more|arXiv (Cornell University)|Oct 19, 2018

Complex Network Analysis Techniques参考文献 16被引用数 6

ひとこと要約

本稿では、制限時間内に頂点間を通過する重要なデータフローを捉える、時間的サブグラフパターンであるフローモチーフを導入する。著者らは、動的計画法とフロー集約を活用して、高いフローフラウトを示す統計的に有意なモチーフを効率的に特定するアルゴリズムを提案し、ビットコイン、乗客、Facebookネットワークにおいてスケーラビリティと現実世界の関連性を示した。

ABSTRACT

Many real-world phenomena are best represented as interaction networks with dynamic structures (e.g., transaction networks, social networks, traffic networks). Interaction networks capture flow of data which is transferred between their vertices along a timeline. Analyzing such networks is crucial toward comprehend- ing processes in them. A typical analysis task is the finding of motifs, which are small subgraph patterns that repeat themselves in the network. In this paper, we introduce network flow motifs, a novel type of motifs that model significant flow transfer among a set of vertices within a constrained time window. We design an algorithm for identifying flow motif instances in a large graph. Our algorithm can be easily adapted to find the top-k instances of maximal flow. In addition, we design a dynamic programming module that finds the instance with the maximum flow. We evaluate the performance of the algorithm on three real datasets and identify flow motifs which are significant for these graphs. Our results show that our algorithm is scalable and that the real networks indeed include interesting motifs, which appear much more frequently than in randomly generated networks having similar characteristics.

研究の動機と目的

• 相互作用ネットワークにおける時間的ダイナミクスとフロー量の両方を考慮するモチーフ解析のギャップを埋める。
• 時間的制約内に高いフロー活動を示す繰り返し発生する小さなサブグラフパターンとしてのフローモチーフを定義・同定する。
• 大規模な相互作用ネットワークにおけるフローモチーフインスタンスを同定するための効率的アルゴリズムを開発する。
• 類似した特性を有するランダム化ネットワークと比較することで、同定されたモチーフの統計的有意性を評価する。
• フローモチーフが金融犯罪検出やネットワーク行動分析に関連するパターンを同定する上で実用的であることを示す。

提案手法

• エッジが時間的に順序付けられ、複数のエッジからのフロー値が集約される小さな順序付きサブグラフとしてフローモチーフを定義する。
• 時間ウィンドウ制約δを課し、モチーフインスタンスの時間的スパンが事前に定義された閾値を超えないようにする。
• 1つのモチーフエッジをインスタンス化するネットワーク内の複数エッジからのフロー値を集約し、最小の集約フローをインスタンスの合計フローとして使用する。
• 十分に高い合計フローを持つインスタンスのみをフィルタリングするため、フローフラグメント閾値φを適用する。
• 動的計画法に基づくアルゴリズムを設計し、有効なすべてのフローモチーフインスタンスを効率的に列挙する。また、上位k個の最大フローインスタンスを対象としたバージョンも提供する。
• 比較のため、モチーフコンポーネントインスタンスの結合に基づくベースライン手法を採用し、スケーラビリティと正確性の両面で優れた性能を示した。

実験結果

リサーチクエスチョン

• RQ1 時間的順序と顕著なデータフローの両方を捉える、相互作用ネットワークにおける小さな繰り返しサブグラフパターンをどのように定義・同定できるか？
• RQ2 大規模で動的な相互作用ネットワークにおいて、フローモチーフインスタンスを効率的に発見するためのアルゴリズム的手法は何か？
• RQ3 類似した構造的および時間的特性を持つランダム化ネットワークと比較して、現実の相互作用ネットワークにおけるフローモチーフはどのように異なるか？
• RQ4 異なる現実世界のネットワークにおいて、鎖状（チェーン）やサイクルなどの種類のフローモチーフは、それぞれ統計的に過剰に出現しているか？また、それらはネットワーク行動に何を示唆するか？
• RQ5 フローモチーフ検出は、スマーフィングやサイクル型マネーロンダリングなどの金融犯罪関連のパターンを同定するのに役立つだろうか？

主な発見

• 提案されたアルゴリズムは、ビットコイン、乗客フロー、Facebookデータを含む大規模な現実世界の相互作用ネットワークに対しても、効果的にスケーリング可能である。
• 時間的・構造的特性が類似するランダム化ネットワークと比較して、現実のネットワークにおけるフローモチーフは顕著に頻度が高く、実証的p値がゼロであるため統計的に有意である。
• ビットコインネットワークでは、サイクル型モチーフが最も高いzスコアを示しており、閉ループでの資金移動が過剰に出現しており、洗浄パターンを示唆している可能性がある。
• 乗客フローネットワークでは、上位3つのモチーフのうち3つがサイクルを含んでおり、サイクル型の移動パターンが主要なフローフラクチャーであることを示している。
• Facebookネットワークでは、鎖状のモチーフが最も高いzスコアを示しており、情報伝播が順次的・線形的な拡散パターンを通じて行われていることを示唆している。
• モチーフコンポーネントの結合に基づくベースライン手法と比較して、アルゴリズムは、モチーフインスタンス同定における効率性と正確性の両面で優れた性能を示した。