[論文レビュー] Modified Lomax Model: A heavy-tailed distribution for fitting large-scale real-world complex networks

Swarup Chattopadhyay, Tanujit Chakraborty+2 more|arXiv (Cornell University)|Nov 28, 2019

Complex Network Analysis Techniques参考文献 61被引用数 7

ひとこと要約

本稿では、実世界の複雑ネットワークの全次数分布を低次数ノードを除外せずにモデル化するため、階層的Lomax分布族から導かれた修正Lomax（MLM）分布を提案する。非線形形状パラメータを導入することで、従来のべき乗則や他の重い尾を持つ分布よりも、対数-対数プロットにおける非線形な挙動をより効果的に捉えることができ、50の実世界ネットワークにおいて低いフィッティング誤差を達成する。

ABSTRACT

Real-world networks are generally claimed to be scale-free, meaning that the degree distributions follow the classical power-law, at least asymptotically. Yet, closer observation shows that the classical power-law distribution is often inadequate to meet the data characteristics due to the existence of a clearly identifiable non-linearity in the entire degree distribution in the log-log scale. The present paper proposes a new variant of the popular heavy-tailed Lomax distribution which we named as the Modified Lomax (MLM) distribution that can efficiently capture the crucial aspect of heavy-tailed behavior of the entire degree distribution of real-world complex networks. The proposed MLM model, derived from a hierarchical family of Lomax distributions, can efficiently fit the entire degree distribution of real-world networks without removing lower degree nodes as opposed to the classical power-law based fitting. The MLM distribution belongs to the maximum domain of attraction of the Frechet distribution and is right tail equivalent to Pareto distribution. Various statistical properties including characteristics of the maximum likelihood estimates and asymptotic distributions have also been derived for the proposed MLM model. Finally, the effectiveness of the proposed MLM model is demonstrated through rigorous experiments over fifty real-world complex networks from diverse applied domains.

研究の動機と目的

• 対数-対数プロットにおける非線形性のため、古典的べき乗則分布が実世界の複雑ネットワークの全次数分布をフィットさせるのに不十分であるという問題に対処すること。
• 低次数ノードを除外せずに、全範囲のノード次数を捉えることのできる柔軟な重い尾を持つ分布の開発。
• 非線形形状パラメータを有する修正Lomax分布の提案により、複雑ネットワークの次数分布のモデリング精度を向上させること。
• 多様な実世界ネットワークにおいて、べき乗則、Lomax、対数正規、および他の重い尾を持つ分布と比較して、MLMモデルの優れたフィッティング性能を示すこと。

提案手法

• MLM分布は、形状パラメータをデータの非線形関数として表現する階層的Lomax分布族から導出される。
• 理論的に、MLM分布はFréchet分布の最大領域吸引域に属し、Pareto分布と右尾で同等であることが示される。
• パラメータ推定には最尤推定（MLE）が用いられ、変動係数（CV）> 1 のとき存在が保証される。
• 漸近的分布や尾の正則変動性といった統計的性質が解析的に導出される。
• フィッティング評価には、RMSE、KLダイバージェンス、MAEの3つの指標が用いられ、統計的有意性の検証にはブートストラップに基づくカイ二乗検定が適用される。
• モデルは、社会的・生物学的・引用・Webネットワークを含む多様な分野の50の実世界ネットワークに適用される。

実験結果

リサーチクエスチョン

• RQ1 非線形形状パラメータを有する修正Lomax分布は、古典的べき乗則フィッティングと比較して、実世界の複雑ネットワークの全次数分布をよりよく捉えることができるか？
• RQ2 提案されたMLMモデルは、Lomax、対数正規、およびカットオフ付きべき乗則といった他の重い尾を持つ分布と比較して、多様なネットワークタイプにおいてフィッティング精度で優れているか？
• RQ3 MLM分布の理論的性質、特に尾の挙動、MLEの存在、吸引域に関してはいかがなっているか？
• RQ4 MLMモデルは、実ネットワークの対数-対数次数分布プロットに観察される非線形な曲率を効果的に捉えられるか？
• RQ5 MLMモデルは、低次数ノードを除外せずに、統計的に有意かつ低いフィッティング誤差を提供する既存モデルの代替手段となり得るか？

主な発見

• 修正Lomax（MLM）分布は、50の実世界ネットワークにおいて、RMSE、KLダイバージェンス、MAEの観点から、べき乗則、Lomax、対数正規、カットオフ付きべき乗則の各分布よりも顕著にフィッティング誤差を低減する。
• MLMモデルは、低次数ノードを除外せずに、対数-対数次数分布における非線形曲率を捉えることで、古典的べき乗則フィッティングの主要な限界を克服する。
• 理論的分析により、MLM分布が重い尾を持つこと、Pareto分布と右尾で同等であること、Fréchet分布の最大領域吸引域に属することを確認した。
• データの変動係数（CV）が1を超えるとき、MLMパラメータの最尤推定（MLE）が存在することが保証され、実用的適用性が確保される。
• ブートストラップに基づくカイ二乗検定により、推定されたMLM分布の統計的有意性が確認され、全テスト対象ネットワークにおいて信頼性が裏付けられた。
• MLMモデルは、パラメータのシミュレーションを通じて、ネットワーク進化ダイナミクスのより正確な特徴付けを可能にし、段階的経験的分析の代替として柔軟な選択肢を提供する。