[論文レビュー] Identifying influential nodes in complex networks: Effective distance gravity model

Qiuyan Shang, Yong Deng+1 more|arXiv (Cornell University)|Nov 12, 2020

Complex Network Analysis Techniques参考文献 49被引用数 4

ひとこと要約

本稿では、従来のユークリッド距離の代わりに確率的経路解析から導出される有効距離を用いることで、動的ノード相互作用をよりよく捉えるために、有効距離重力モデル（EffG）を提案する。この手法は局所的およびグローバルなネットワーク情報の統合により、8つの実世界ネットワークを用いたSIモデルにおけるシミュレーションで、6つの既存手法を上回り、優れた安定性と実際の情報拡散ダイナミクスとの相関性を示した。

ABSTRACT

The identification of important nodes in complex networks is an area of exciting growth due to its applications across various disciplines like disease controlling, community finding, data mining, network system controlling, just to name a few. Many measures have thus been proposed to date, and these measures are either based on the locality of nodes or the global nature of the network. These measures typically use distance based on the concept of traditional Euclidean Distance, which only focus on the local static geographic distance between nodes but ignore the interaction between nodes in real-world networks. However, a variety of factors should be considered for the purpose of identifying influential nodes, such as degree, edge, direction and weight. Some methods based on evidence theory have also been proposed. In this paper, we have proposed an original and novel gravity model with effective distance for identifying influential nodes based on information fusion and multi-level processing. Our method is able to comprehensively consider the global and local information of the complex network, and also utilize the effective distance to replace the Euclidean Distance. This allows us to fully consider the complex topological structure of the real network, as well as the dynamic interaction information between nodes. In order to validate the effectiveness of our proposed method, we have utilized the susceptible infected (SI) model to carry out a variety of simulations on eight different real-world networks using six existing well-known methods. The experimental results indicate the reasonableness and effectiveness of our proposed method.

研究の動機と目的

• 実世界ネットワークにおけるノード間の動的相互作用を無視する、従来のノード影響力測定手法が静的ユークリッド距離に依存するという限界を是正すること。
• より正確な影響力評価のため、局所的トポロジー特徴とグローバルネットワーク構造を統合する手法を開発すること。
• 隣接行列から導かれる経路の確率に基づく有効距離に、従来の距離指標を置き換えることにより、ネットワーク内での実際の動的相互作用を反映すること。
• 多様な実世界ネットワークを対象に、感染拡散モデル（SIモデル）を用いて、提案手法の情報拡散予測効果を検証すること。
• 提案手法が、6つの代表的な既存手法（DC, BC, CC, EC, PageRank, KS）よりも、実際の拡散ダイナミクスと高い相関性を示すことを示すこと。

提案手法

• 重力モデルにおけるユークリッド距離を、ネットワークトポロジーに基づいてノード間の情報伝達確率を定量化する有効距離に置き換える。
• 有効距離は隣接行列を用いてノード間の最も確率の高い経路を推定し、動的相互作用の可能性を捉える。
• 重力モデルはノード次数（局所的影響力）と有効距離（グローバルな到達可能性）を統合し、複合的影響力スコアを計算する。
• 影響力スコアはノードの質量（例：次数）とノード間の有効距離を組み合わせ、重力に類似した式で表す：F_ij = m_i * m_j / d_eff_ij。
• 局所的接続性とグローバルな経路確率を統合する多段階情報統合により、ノード影響力の順位付けを実施する。
• モデルはSIモデルを用いて評価され、各ノードが感染状態で初期化され、最終的な感染ノード数が影響力の基準として用いられる。

実験結果

リサーチクエスチョン

• RQ1 ユークリッド距離を有効距離に置き換えることで、複雑ネットワークにおける影響力ノード同定にどの程度向上が見られるか？
• RQ2 提案された有効距離重力モデル（EffG）は、実世界ネットワークにおける実際の情報拡散ダイナミクスとどの程度相関性を示すか？
• RQ3 EffGは、多様なネットワークタイプにおいて、6つの確立された手法（例：DC, BC, CC, EC, PageRank, KS）と比較して、影響力拡散予測においてどの程度優れているか？
• RQ4 提案モデルは、異なるネットワーク構造や拡散閾値においても、安定的かつ一貫性のある性能を維持できるか？
• RQ5 有効距離度量は、影響力拡散シナリオにおいて、静的幾何的距離に比べてノード間の動的相互作用をよりよく捉えられるか？

主な発見

• 提案された有効距離重力モデル（EffG）は、4つの実世界ネットワーク（Jazz, NS, Email, USAir）において、SIモデルの最終感染ノード数とのケンダールのtau相関が最高を記録し、実際の拡散ダイナミクスと強い整合性を示した。
• Jazzネットワークでは、ノード順位と最終感染ノード数のプロットにおいて、最小限の変動で一貫して低下する曲線を示し、BCやECと比較して顕著な不安定性を示さなかった。
• Facebookネットワークでは、β > 0.9の条件下でSIモデルとの相関が2番目に高く、さまざまな拡散速度においても安定しており、BCは大きな変動を示した。
• USAirネットワークでは、EffGとBCのtau値は低かったが、EffGはBCの不規則な挙動と比較して、影響力順位の低下がより安定的かつ信頼性があった。
• 全8つのテストネットワークにおいて、EffGは特に拡散閾値（β）が変化する状況でも優れた耐性と一貫性を示し、性能の著しい低下を最小限に抑えた。
• 度数中心性（DC）や媒介性中心性（BC）といった従来の中心性測定手法よりも優れており、動的拡散シナリオにおいて高い感受性と不安定性を示すことが確認された。