[論文レビュー] Link Prediction in Complex Networks by Multi Degree Preferential-Attachment Indices

Ke Hu, Ju Xiang+3 more|arXiv (Cornell University)|Nov 8, 2012

Complex Network Analysis Techniques参考文献 1被引用数 8

ひとこと要約

本稿では、複雑ネットワークにおけるリンク予測のための新しい多次元優先的付随インデックス——特に最大次数および次数集約類似度スコア——を提案する。従来の次数積インデックスに代えてこれらを用いることで、14の実世界ネットワークにおいて顕著に向上した予測精度を達成し、特に次数集約インデックスが優れた性能を示す一方で、計算コストは低く抑えられる。

ABSTRACT

In principle, the rules of links formation of a network model can be considered as a kind of link prediction algorithm. By revisiting the preferential attachment mechanism for generating a scale-free network, here we propose a class of preferential attachment indices which are different from the previous one. Traditionally, the preferential attachment index is defined by the product of the related nodes degrees, while the new indices will define the similarity score of a pair of nodes by either the maximum in the two nodes degrees or the summarization of their degrees. Extensive experiments are carried out on fourteen real-world networks. Compared with the traditional preferential attachment index, the new ones, especially the degree-summarization similarity index, can provide more accurate prediction on most of the networks. Due to the improved prediction accuracy and low computational complexity, these proposed preferential attachment indices may be of help to provide an instruction for mining unknown links in incomplete networks.

研究の動機と目的

• 不完全な複雑ネットワークにおけるリンク予測精度を向上させるために、優先的付随メカニズムを再定義すること。
• 従来の次数積優先的付随インデックスの限界を解決すること——これはノード類似度を十分に反映しない可能性があるため。
• ノードペア間の最大度または総和度に基づく代替類似度指標を検討すること。
• 新しいインデックスの性能を多様な実世界ネットワークトポロジーで評価すること。
• 複雑ネットワークにおける未知または欠落したリンクを抽出するための計算効率が良く、正確な手法を提供すること。

提案手法

• 2つの新しい優先的付随インデックスを提案：2つのノード次数の最大値および合計値。
• 次数集約インデックスを類似度スコアとして用い、ノードペア間の潜在的リンクを予測する。
• 従来の次数積インデックスの代替として最大次数インデックスを適用する。
• 実世界ネットワークにおける標準的なリンク予測評価指標（AUCやkごとの精度）を用いる。
• 新しいインデックスの性能を古典的優先的付随インデックスと比較する。
• 14の実世界ネットワークを用いた広範な実験を通じて、提案インデックスの頑健性と一般化能力を検証する。

実験結果

リサーチクエスチョン

• RQ1 従来の次数積インデックスを次数集約または最大次数インデックスに置き換えることで、リンク予測精度が向上するか？
• RQ2 提案された多次元インデックスは、古典的優先的付随と比較して、多様な実世界ネットワーク構造でどのように性能を発揮するか？
• RQ3 新しいインデックスは、既存手法と比較して計算効率に優れているか？
• RQ4 次数集約インデックスは、さまざまなネットワークタイプにおいて一貫して従来手法を上回るか？
• RQ5 新しいインデックスは、不完全ネットワークにおける誤検出（偽陽性）をどの程度低減するか？

主な発見

• 次数集約類似度スコアは、テストされた14の実世界ネットワークの大部分で、従来の次数積インデックスを顕著に上回る。
• 最大次数インデックスも古典的手法を上回る精度を達成しているが、次数集約インデックスほど一貫性は高くない。
• 提案されたインデックスは、ベースラインと比較して平均的に高いAUCスコアを達成しており、全体的なランク付け性能の向上を示している。
• 新しいインデックスは低計算複雑性を維持しており、大規模ネットワーク解析に適している。
• 次数分布が不均一なネットワークでは、精度向上が特に顕著に現れる。
• 本研究は、多くの実世界の文脈において、ノード次数の集約が単純な積ベースの付随よりも、潜在的リンク形成をよりよく反映していることを確認した。