[論文レビュー] Higher-order motif analysis in hypergraphs

Quintino Francesco Lotito, Federico Musciotto+2 more|arXiv (Cornell University)|Aug 6, 2021

Complex Network Analysis Techniques参考文献 73被引用数 4

ひとこと要約

本稿では、3つ以上のノード間の相互作用を含む、統計的に過剰に代表される部分グラフ（ハイパーグラフにおける高次モチーフ）を導入し、2次元リンクを超えた局所的構造的パターンを捉える。正確な列挙と有意性検定を可能にする効率的なアルゴリズムを提案。配置モデルをノーマルモデルとして用い、ハイパーグラフの異なる群と、強い高次相互作用が密な2次元的連結性と関連する構造的強化メカニズムを明らかにした。

ABSTRACT

A deluge of new data on social, technological and biological networked systems suggests that a large number of interactions among system units are not limited to pairs, but rather involve a higher number of nodes. To properly encode such higher-order interactions, richer mathematical frameworks such as hypergraphs are needed, where hyperlinks describe connections among an arbitrary number of nodes. Here we introduce the concept of higher-order motifs, small connected subgraphs where vertices may be linked by interactions of any order. We provide lower and upper bounds on the number of higher-order motifs as a function of the motif size, and propose an efficient algorithm to extract complete higher-order motif profiles from empirical data. We identify different families of hypergraphs, characterized by distinct higher-order connectivity patterns at the local scale. We also capture evidences of structural reinforcement, a mechanism that associates higher strengths of higher-order interactions for the nodes that interact more at the pairwise level. Our work highlights the informative power of higher-order motifs, providing a first way to extract higher-order fingerprints in hypergraphs at the network microscale.

研究の動機と目的

• 従来の2次元ネットワークモチーフにとどまらず、ハイパーグラフにおける統計的に過剰に代表される高次相互作用パターンを同定するフレームワークの構築を目的とする。
• 3次および4次ハイパーグラフモチーフを用いた局所的なミクロスケール構造の特徴化を通じて、高次フォスターの抽出を目的とする。
• 高い2次元相互作用頻度を示すノードが、より強い高次相互作用にも関与するかどうかを調査し、潜在的な構造的強化メカニズムを解明することを目的とする。
• 実験的ハイパーグラフデータにおけるモチーフカウントと有意性検定を効率的かつ正確に行うためのアルゴリズムを提供することを目的とする。
• 生物学的・社会的ネットワークおよび脳ネットワークの応用を想定し、高次ネットワーク構造のスケーラブルな解析を可能とすることを目的とする。

提案手法

• k個のノードがハイパーエッジ（任意の次数）によって接続された連結部分グラフとして、高次モチーフを組み合わせ的特徴づけを提案する。
• kノードの誘導部分グラフを正確に列挙するための階層的アルゴリズムを用い、kサイズのハイパーエッジから出発し、隣接ノードの拡張を繰り返す。
• 各部分グラフをその標準形（正規形）モチーフにマッピングするためのハイパーグラフ同型性インデックスを採用し、定数時間での頻度カウントを可能にする。
• 配置モデルをノーマルモデルとして採用し、期待されるモチーフ頻度を求めるために20個のランダムハイパーグラフを生成する。
• Zスコアに類似したデルタ統計量 Δi = (N_real,i − ⟨N_rand,i⟩) / (N_real,i + ⟨N_rand,i⟩ + ε) を用いて有意性プロファイルを計算し、ε = 4 とする。
• 異なるネットワーク間での比較を可能にするために、有意性プロファイルを単位長に正規化する。

実験結果

リサーチクエスチョン

• RQ1 実世界のハイパーグラフにおいて、グループ相互作用のパターン（高次モチーフ）は、偶然に発生する頻度よりも顕著に高い頻度で出現するか？
• RQ2 特徴的な高次モチーフプロファイルに基づいて、ハイパーグラフの異なる群を同定できるか？
• RQ3 密な2次元相互作用を示すノードが、より強い高次相互作用にも関与するという、構造的強化メカニズムが存在するか？
• RQ4 実験的ハイパーグラフデータにおいて、高次モチーフを効率的かつ正確に列挙し、統計的有意性を検証する方法は何か？
• RQ5 高次モチーフは、従来の2次元モチーフ解析に比べて、ネットワークのミクロスケール構造の特徴づけをどの程度向上させるか？

主な発見

• 本研究では、それぞれが局所スケールで特徴的な高次連結パターンを示す、ハイパーグラフの異なる群が同定された。
• ノードの2次元相互作用頻度が高いほど、高次相互作用も強くなるという構造的強化メカニズムが観察された。
• 4次モチーフの非同型な数は171個であり、これは正確な列挙とメモリ上での保存が可能な管理可能な数である。
• 提案されたアルゴリズムにより、サイズ3および4のモチーフについて、完全なモチーフプロファイル抽出が可能となり、有意性検定における統計的厳密性が保証された。
• 有意性プロファイル（SP）は、異なるハイパーグラフ間で比較可能な、正規化された局所ネットワーク構造の指紋を提供する。
• 本フレームワークは、社会的・生物学的・技術的ネットワークを含む多様な実世界システムのミクロスケール構造的指紋を、効果的に捉えた。