[論文レビュー] Generalized preferential attachment: tunable power-law degree distribution and clustering coefficient

Liudmila Prokhorenkova, Alexander Ryabchenko+1 more|arXiv (Cornell University)|May 14, 2012

Complex Network Analysis Techniques参考文献 17被引用数 7

ひとこと要約

本稿では、実世界のネットワークの主要特徴である次数分布のパワー則指数とクラスタリング係数を独立に制御可能な一般化された優先的付加モデルを導入する。既存のモデルに調整可能なパラメータを追加することで、理論的にも実験的にも、次数分布のパワー則指数（γ ∈ (2, ∞)）を所望の値に設定可能であり、かつ正で安定した平均局所クラスタリング係数を維持できることを示している。これは、従来のモデルとは異なり、ネットワークが拡大するにつれてクラスタリングが消滅する傾向にない点が特徴である。

ABSTRACT

We propose a wide class of preferential attachment models of random graphs, generalizing previous approaches. Graphs described by these models obey the power-law degree distribution, with the exponent that can be controlled in the models. Moreover, clustering coefficient of these graphs can also be controlled. We propose a concrete flexible model from our class and provide an efficient algorithm for generating graphs in this model. All our theoretical results are demonstrated in practice on examples of graphs obtained using this algorithm. Moreover, observations of generated graphs lead to future questions and hypotheses not yet justified by theory.

研究の動機と目的

• 実世界のネットワークの主要な性質を捉えることができる広範な優先的付加モデルのクラスを統合的フレームワークとして分析すること。
• 従来のモデルでは、ネットワークが拡大するにつれてクラスタリング係数が0に収束するという限界を解消すること。実世界のネットワークには実際のクラスタリングが見られるが、そのような性質を再現できない点が問題である。
• このクラスに属するパラメータ化されたモデルを構築し、パワー則指数γとクラスタリング係数を独立に調整可能にする。
• 理論的にパワー則次数分布の成立を証明し、クラスタリング係数の推定値を得るとともに、実験的にその結果を検証すること。

提案手法

• パワー則次数分布と制御可能なクラスタリングを保証するように、付加確率に制約を課すことにより、一般化された優先的付加モデル（PAクラス）を定義する。
• PAクラス内にパラメータ化されたモデルを導入し、付加確率を頂点の次数および三角形形成の有無に依存させる。次数分布とクラスタリングの制御にそれぞれαおよびβのパラメータを用いる。
• 理論的結果を導出する：次数分布が調整可能な指数γのパワー則に従うことを証明し、グローバルおよび平均局所クラスタリング係数の漸近的挙動を推定する。
• 各新しい頂点がm個の既存頂点に、次数および三角形存在の関数に比例する確率で接続する確率過程を用いることで、ネットワーク構造の制御を可能にする。
• 合成ネットワークを生成し、次数分布およびクラスタリング行動について、さまざまなパラメータ設定とネットワークサイズにおける理論的予測の実験的妥当性を検証する。
• グローバルクラスタリング係数と平均局所クラスタリング係数を区別し、優先的付加モデルにおいて両者の漸近的挙動が異なることを示す。

実験結果

リサーチクエスチョン

• RQ1 次数分布のパワー則指数とクラスタリング係数を独立に調整可能な優先的付加モデルを構築することは可能か？
• RQ2 従来の優先的付加モデルでは、ネットワークが拡大するにつれて正のクラスタリング係数を維持できないのはなぜか？この問題をどのように是正できるか？
• RQ3 一般化された優先的付加モデルにおいて、グローバルおよび平均局所クラスタリング係数の漸近的挙動はいかなるものか？
• RQ4 異なるパラメータ設定（α, β, m）が、合成ネットワークにおける次数分布およびクラスタリングに与える影響は何か？

主な発見

• 提案されたPAクラスモデルは、γ ∈ (2, ∞) の調整可能なパワー則次数分布を保証する。これは、従来のモデルが固定のγ = 3に限られていたのを拡張するものである。
• パラメータA = α + β/2 < 1/2 のとき、平均局所クラスタリング係数は漸近的に一定かつ正の値を保ち、クラスタリングが強いネットワークの現実的モデリングを可能にする。
• グローバルクラスタリング係数は、パラメータの選択にかかわらず、ネットワークサイズが増大するにつれて0に収束する。これは、三角形の増加が遅いためである。
• LCD や Buckley–Osthus モデルとは対照的に、提案された多項式モデルは、大規模ネットワークにおいても安定した平均局所クラスタリング係数を維持する。
• 実験的結果から、αとβを変化させることで、パワー則指数とクラスタリング係数を独立に制御可能であることが確認された。例えば、α = 0.5、β = 0.8 のとき、γ ≈ 3.5 が観察された。
• モデルは、A < 1/2 のとき平均局所クラスタリング係数が正の定数（例：2/15）に収束するのに対し、グローバルクラスタリング係数は0に減少することを示しており、両者のクラスタリング測定値の本質的な違いを強調している。