[論文レビュー] Modeling and Measuring Graph Similarity: The Case for Centrality Distance

Matthieu Roy, Stefan Schmid+1 more|arXiv (Cornell University)|Jun 20, 2014

Complex Network Analysis Techniques参考文献 16被引用数 5

ひとこと要約

本稿では、ノードの中心性、特に近接性中心性に基づいて構造的類似性を定量化する新しいグラフ類似度測度としての中心性距離を導入する。これは、グラフ編集距離の代替手段として、より意味的意味を持つものである。実際の動的SNSにおける進化経路は、ランダムな経路と比較して、近接性中心性距離が著しく低いことが示され、本物のネットワーク進化と偽物の進化を高精度で区別可能である。

ABSTRACT

The study of the topological structure of complex networks has fascinated researchers for several decades, and today we have a fairly good understanding of the types and reoccurring characteristics of many different complex networks. However, surprisingly little is known today about models to compare complex graphs, and quantitatively measure their similarity. This paper proposes a natural similarity measure for complex networks: centrality distance, the difference between two graphs with respect to a given node centrality. Centrality distances allow to take into account the specific roles of the different nodes in the network, and have many interesting applications. As a case study, we consider the closeness centrality in more detail, and show that closeness centrality distance can be used to effectively distinguish between randomly generated and actual evolutionary paths of two dynamic social networks.

研究の動機と目的

• 複雑なネットワークにおける有効で意味的認識を持つグラフ類似度測度の不足を解消すること。
• ノードを匿名でない、特定の役割を持つエンティティとして扱うグラフ編集距離の代替手段として、中心性距離をノード指向のアプローチとして提案すること。
• 中心性距離が動的SNSにおける本物の進化経路とランダムな進化経路を区別する有効性を評価すること。
• 近接性中心性距離が、ランダムプロセスと比較して、本物のネットワークダイナミクスにおける構造的安定性をよりよく捉えられることを示すこと。
• 中心性に基づく距離を動的ネットワーク解析、特にリンク予測やトポロジの進化モデリングに応用する基盤を確立すること。

提案手法

• 2つのグラフ $ G_1 $ と $ G_2 $ 間のノード中心性値の差として中心性距離 $ d_C(G_1, G_2) $ を定義し、特定の中心性測度 $ C $ を用いる。
• ケーススタディとして近接性中心性に焦点を当て、2つのグラフ間のすべてのノードにおける近接性値の $ L^1 $-ノルム差を計算する。
• 次数中心性を用いた場合、グラフ編集距離が中心性距離の特殊ケースであることを示し、両者の間の理論的関係を確立する。
• 実世界の動的ネットワークに近接性中心性距離を適用：カクテルパーティーからの人間移動ネットワークと、Facebookに類似したOSN。
• ランダムなエッジ挿入・削除によって生成された200本のランダム進化経路と、実際のネットワーク進化経路を比較する。
• 統計的比較を用いて、観測された近接性距離の変動がランダム経路と比較して顕著に小さいかどうかを評価する。

実験結果

リサーチクエスチョン

• RQ1 中心性距離は、複雑なネットワークにおいて、グラフ編集距離よりも意味的意味を持つグラフ類似度測度を提供できるか？
• RQ2 実際のネットワーク進化経路に沿って近接性中心性距離は、ランダム経路と比較してどのように変化するか？
• RQ3 近接性中心性距離は、動的SNSにおける本物の進化経路と合成された進化経路を効果的に区別できるか？
• RQ4 実際のネットワーク進化は、ランダムプロセスと比較して、ノードの中心性的役割をどの程度維持するか？
• RQ5 中心性距離は、リンク予測やクラスタの進化追跡といった動的ネットワークモデリングにどのような意味を持つのか？

主な発見

• SOUKデータセットでは、300ステップ中298ステップで、実際のネットワーク進化は200個のランダムサンプルすべてよりも初期状態との近接性中心性距離が近かった。
• FBデータセットでは、解析された187スナップショットのうち73%で、実際のネットワーク進化はすべてのランダムサンプルよりも近かった。
• 本物のネットワーク進化に沿った近接性中心性距離の変動は、ランダム進化に比べ顕著に小さく、本物のダイナミクスにおける構造的安定性を示している。
• グラフ編集距離は、構造的に異なるが編集距離が等しいグラフ（例：局所的エッジ追加 vs. 長距離エッジ追加）を区別できないが、中心性距離はこの意味的差を捉えている。
• 近接性中心性距離は、非ランダムで現実的と思われるネットワーク進化を効果的に特定でき、リンク予測やトポロジモデリングへの応用可能性を示している。
• このフレームワークは、特に近接性と媒介性を含む中心性距離が、時系列的グラフクラスタリングやコミュニティの進化モデリングに用いられ得ることを示唆している。