[論文レビュー] Global Rank Estimation

Akrati Saxena, S. R. S. Iyengar|arXiv (Cornell University)|Oct 31, 2017

Complex Network Analysis Techniques参考文献 56被引用数 5

ひとこと要約

本稿では、すべてのノードの中心性を計算せずに、大規模で動的なネットワーク内のノードのグローバルな中心性順位を素早くスケーラブルに推定する手法を提案する。主にランダムウォークおよびメトロポリス・ハスティングスのランダムウォークを用いたサンプリング技術と構造的モデリングを組み合わせ、次数中心性および接近度中心性の順位を効率的に推定する。これにより、特にDBLPやスケールフリー・ネットワークのような実世界のネットワークにおいて、計算コストを著しく削減しつつ、ほぼ一様なサンプリング精度を達成する。

ABSTRACT

In real world complex networks, the importance of a node depends on two important parameters: 1. characteristics of the node, and 2. the context of the given application. The current literature contains several centrality measures that have been defined to measure the importance of a node based on the given application requirements. These centrality measures assign a centrality value to each node that denotes its importance index. But in real life applications, we are more interested in the relative importance of the node that can be measured using its centrality rank based on the given centrality measure. To compute the centrality rank of a node, we need to compute the centrality value of all the nodes and compare them to get the rank. This process requires the entire network. So, it is not feasible for real-life applications due to the large size and dynamic nature of real world networks. In the present project, we aim to propose fast and efficient methods to estimate the global centrality rank of a node without computing the centrality value of all nodes. These methods can be further extended to estimate the rank without having the entire network. The proposed methods use the structural behavior of centrality measures, sampling techniques, or the machine learning models. In this work, we also discuss how to apply these methods for degree and closeness centrality rank estimation.

研究の動機と目的

• 大規模で動的な実世界のネットワークにおけるグローバル中心性順位の計算にかかる高コストを解消すること。
• 完全なネットワーク情報やグローバル計算を必要とせずに、ノードの重要性を効率的に推定できること。
• サンプリングと構造的モデリングを用いて、次数中心性および接近度中心性順位をスケーラブルに推定する手法を開発すること。
• 均一サンプリングと比較して、サンプリングベースの手法（例：ランダムウォーク、MHランダムウォーク）の順位推定精度を評価すること。
• 重み付き、有向、時系列ネットワークを含む他の中心性測度やネットワークタイプへのアプローチの拡張

提案手法

• 局所的なサンプルからグローバル中心性順位を近似するために、均一サンプリングと再重み付け技術を用いる。
• 局所的なネットワーク走査からほぼ一様なサンプルを生成するために、メトロポリス・ハスティングスのランダムウォークを適用する。
• 次数バイアスがかかるサンプルをほぼ一様なサンプルに変換するために、再重み付けされたランダムウォークサンプリングを用いる。
• ターゲットノードと、接近度中心性が最大および最小のノードの3つのノードのみを用いて、接近度中心性順位を推定するヒューリスティック手法を提案する。
• べき乗則フィッティングを用いて次数順位を推定し、初期パrameter推定後はO(1)で推定可能にする。
• サンプルサブグラフにおける局所的順位を用い、$ R_{est}(u) = \frac{n}{s} R_{local}(u) $ という式を用いてグローバル順位に外挿する。ここで $ s $ はサンプルサイズ、$ n $ はネットワークサイズである。

実験結果

リサーチクエスチョン

• RQ1 大規模ネットワークにおいて、すべてのノードの中心性を計算せずに、グローバル中心性順位を効率的に推定できるか？
• RQ2 ランダムウォークやメトロポリス・ハスティングスのランダムウォークなどのサンプリング技術を用いることで、次数中心性および接近度中心性順位はどの程度正確に推定できるか？
• RQ3 ネットワークサイズとサンプリング戦略が、順位推定の精度に与える影響は何か？
• RQ4 べき乗則の度数分布といった構造的性質を活用することで、O(1)時間で次数順位を推定できるか？
• RQ5 提案された接近度中心性順位推定のヒューリスティック手法は、時間計算量をO(n·m)からO(m)にどのように低減するか？

主な発見

• ランダムウォーク（RW）サンプリング手法は、特にDBLPのような実世界のネットワークにおいて、メトロポリス・ハスティングス（MH）や他の手法よりも次数順位推定の精度が優れている。
• すべてのサンプリング手法において、上位順位のノードから下位順位のノードへ移行するに従い、順位推定の絶対誤差が増加するが、上位順位のノードでは依然として誤差が小さい。
• ネットワークサイズが大きくなるに従い誤差が減少し、より大きなネットワークでスケーラビリティと精度が向上することが示された。
• 提案された接近度中心性順位推定のヒューリスティック手法により、時間計算量がO(n·m)からO(m)に低減され、顕著な性能向上が得られた。
• べき乗則に基づく手法により、初期パrameter推定後はO(1)で次数順位推定が可能となり、動的ネットワークにおいて極めて効率的である。
• 再重み付けされたランダムウォークサンプリングは、次数バイアスがかかるサンプルをほぼ一様なサンプルに効果的に変換し、正確なグローバル順位推定を可能にする。