[論文レビュー] Linear response theory for Google matrix

Klaus M. Frahm, Dima L. Shepelyansky|arXiv (Cornell University)|Aug 23, 2019

Complex Network Analysis Techniques参考文献 10被引用数 4

ひとこと要約

本稿では、大規模な有向ネットワークにおける弱い摂動に対するページランク感度を効率的に計算するための、グーグル行列に対する線形応答理論フレームワークであるLIRGOMAXアルゴリズムを紹介する。英語Wikipedia（500万ノード以上）に適用したところ、注入／吸収ノード間の主要経路ノードを特定し、REGOMAXを用いて有効相互作用を抽出した。その結果、構造的で生物学的または歴史的に関連性の高いサブネットワークが高精度に特定された。

ABSTRACT

We develop the linear response theory for the Google matrix PageRank algorithm with respect to a general weak perturbation and a numerical efficient and accurate algorithm, called LIRGOMAX algorithm, to compute the linear response of the PageRank with respect to this perturbation. We illustrate its efficiency on the example of the English Wikipedia network with more than 5 millions of articles (nodes). For a group of initial nodes (or simply a pair of nodes) this algorithm allows to identify the effective pathway between initial nodes thus selecting a particular subset of nodes which are most sensitive to the weak perturbation applied to them (injection or pumping at one node and absorption of probability at another node). The further application of the reduced Google matrix algorithm (REGOMAX) allows to determine the effective interactions between the nodes of this subset. General linear response theory already found numerous applications in various areas of science including statistical and mesoscopic physics. Based on these grounds we argue that the developed LIRGOMAX algorithm will find broad applications in the analysis of complex directed networks.

研究の動機と目的

• 大規模な有向ネットワークにおける弱い摂動下でのグーグル行列に対する一般化された線形応答理論の開発。
• ネットワーク構造やダイナミクスの小さな変化に対するページランク感度の効率的かつ正確な計算の実現。
• 複雑ネットワークにおけるソースノードとシンクノード（例：注入／吸収ポイント）間の経路における最も感受性の高いノードの同定。
• LIRGOMAXをREGOMAXアルゴリズムと組み合わせ、感受性の高いノード間の有効相互作用を抽出すること。
• 実世界のネットワーク、特に500万ノードを超える2017年版英語Wikipediaにおける手法の有効性の実証。

提案手法

• LIRGOMAXアルゴリズムは、グーグル行列$ G $の弱い摂動下で、ページランク$ P_0 $に対する線形応答ベクトル$ P_1 $を、一次摂動理論を用いて計算する。
• 摂動は、ランダム媒体におけるポンプインに類似した、ソースノードにおける注入とシンクノードにおける吸収としてモデル化される。
• この方法では、応答ベクトルを用いて感受性の高いノードを同定し、摂動行列の強い遷移要素に注目する。
• 感受性の高いノードのサブセットは、その後REGOMAXアルゴリズムを用いて分析され、そのサブセット内の有効相互作用を捉える縮小グーグル行列$ G_{\text{red}} $が構築される。
• 縮小行列$ G_{\text{red}} $は、ブロック$ G_{rr} $、$ G_{qr}^{(nd)} $、および$ G_{qr}^{(d)} $に分解され、主成分が有効なフレンド／フォロワーネットワークの可視化に用いられる。
• このアルゴリズムは数値的に効率的かつスケーラブルであり、例えば英語Wikipediaのような数百万ノードのネットワークへの応用が可能である。

実験結果

リサーチクエスチョン

• RQ1 線形応答理論は、弱い摂動を受ける大規模な有向ネットワークにおけるページランク感度を計算するためにどのように適合可能か？
• RQ2 ネットワーク内での注入／吸収摂動に対して、どのノードが最も感受性が高く、それらが形成する経路は何か？
• RQ3 LIRGOMAXアルゴリズムは、支配的応答ダイナミクスを捉える最小で代表的なノードサブセットを効率的に同定できるか？
• RQ4 感受性の高いノード間の有効相互作用はどのようにして出現するのか？また、縮小グーグル行列（REGOMAX）を用いて正確にモデル化可能か？
• RQ5 実世界の有向ネットワーク、例えばWikipediaにおける最も応答性の高いノードによって形成される有効ネットワークの構造は何か？

主な発見

• LIRGOMAXアルゴリズムは、例えば歴史的人物や大学など2つの初期ノードにおける注入／吸収に対して、Wikipediaの記事の小さな感受性の高いサブセット（例：20〜40ノード）を効果的に同定した。
• ナポレオン対ロシアのアレクサンドル1世のケースでは、強い結合を示す経路が特定された：エリザベータ・アレクセイエヴナからナポレオンへの0.02439、およびエジプト・シリア遠征からオスマン帝国への0.009879。
• REGOMAXによって明らかにされた有効ネットワーク構造は、明確な二ブロック組織を示しており、ブロック間のリンクが疎であるため、別個だが接続されたコミュニティが存在することが示された。
• 縮小グーグル行列を用いることで、間接的相互作用が正確に捉えられ、主成分$ G_{rr} + G_{qr}^{(nd)} $が主な応答ダイナミクスを説明した。
• アルゴリズムは、$ \alpha \in [0.5, 0.95] $ の異なる減衰係数においても安定しており、$ \alpha $ に対して感受性が低く、実世界応用における安定性を裏付けた。
• 本手法により、行列要素の個々の変更に対するページランク感度分析が効率的に行えるようになり、注入／吸収に限らず一般の摂動への応用が拡張された。