[論文レビュー] NetSimile: A Scalable Approach to Size-Independent Network Similarity

Michele Berlingerio, Danai Koutra+2 more|arXiv (Cornell University)|Sep 12, 2012

Complex Network Analysis Techniques参考文献 32被引用数 97

ひとこと要約

NetSimile は、統計的モーメントを用いて局所的および近隣構造的特徴から低次元のシグネチャーベクトルを抽出することにより、スケーラブルでサイズに依存しないネットワーク類似度測定法を提案する。ノード対応が不要であり、線形時間計算量を達成し、多様な実世界および合成ネットワークにおいてクラスタリング、可視化、異常検出の分野でベースラインを上回る性能を発揮する。

ABSTRACT

Given a set of k networks, possibly with different sizes and no overlaps in nodes or edges, how can we quickly assess similarity between them, without solving the node-correspondence problem? Analogously, how can we extract a small number of descriptive, numerical features from each graph that effectively serve as the graph's "signature"? Having such features will enable a wealth of graph mining tasks, including clustering, outlier detection, visualization, etc. We propose NetSimile -- a novel, effective, and scalable method for solving the aforementioned problem. NetSimile has the following desirable properties: (a) It gives similarity scores that are size-invariant. (b) It is scalable, being linear on the number of edges for "signature" vector extraction. (c) It does not need to solve the node-correspondence problem. We present extensive experiments on numerous synthetic and real graphs from disparate domains, and show NetSimile's superiority over baseline competitors. We also show how NetSimile enables several mining tasks such as clustering, visualization, discontinuity detection, network transfer learning, and re-identification across networks.

研究の動機と目的

• 異なるサイズのネットワークをノード対応なしに比較する課題に対処すること。
• 匿名化され、異種のネットワーク同士の構造的類似度を計算するスケーラブルな手法を開発すること。
• グラフのトポロジーを効果的に捉える、コンパクトで解釈可能な特徴ベクトル（「シグネチャ」）を抽出すること。
• これらのシグネチャを用いて、クラスタリング、可視化、トランスファー学習などの下流のグラフマイニングタスクを可能にすること。
• 類似度測定が直感的で、サイズに依存せず、計算的に効率的であること。

提案手法

• NetSimile は、各ノードおよびそのエゴネットワーク（エゴネット）から局所的構造的特徴（例：次数、クラスタ係数）を抽出する。
• これらの特徴の全ノードにわたる統計的モーメント（平均、分散、歪度、尖度）を計算し、分布に基づくシグネチャーベクトルを形成する。
• シグネチャーベクトルは、グラフのグローバルトポロジーのコンパクトで解釈可能な表現として機能する。
• グラフ間の類似度は、そのシグネチャーベクトル間のコサイン類似度として計算され、サイズ不変性が保証される。
• この手法はエッジ数に対して線形時間であるため、大規模ネットワークに対しても非常にスケーラブルである。
• 本手法は、追加の構造的特徴や集約手法の統合が可能で、拡張性を有する。

実験結果

リサーチクエスチョン

• RQ1 ノード対応問題を解消せずに、異なるサイズのネットワーク間の構造的類似度をどのように測定できるか？
• RQ2 直感的で解釈可能であり、直感的で解釈可能な結果を生み出す、スケーラブルでサイズに依存しない類似度測定法を設計できるか？
• RQ3 NetSimile は、多様なネットワークタイプにおけるクラスタリング、可視化、異常検出においてどの程度有効か？
• RQ4 頻出部分グラフマイニングや固有値に基づくアプローチといったベースライン手法と比較して、NetSimile の正確性とスケーラビリティはいかがなものか？
• RQ5 NetSimile のシグネチャーベクトルは、トランスファー学習や再識別タスクに活用できるか？

主な発見

• NetSimile のシグネチャーベクトルは、SVD を用いた低次元空間における自然なクラスタリングを実現し、ネットワーク類似度の有効な可視化を可能にする。
• この手法はエッジ数に対して線形時間計算量を達成しており、大規模ネットワークにおいても非常にスケーラブルである。
• NetSimile は、サイズに依存しない類似度スコアを生成し、直感的な期待と整合する—例えば、ソーシャルネットワーク同士は技術的ネットワークよりも類似している。
• 30以上の実世界および合成ネットワークを対象とした実験において、NetSimile はクラスタリング精度および異常検出の分野でベースライン手法を上回った。
• NetSimile は、クエリログネットワーク群に含まれる1つの異常な Barabási-Albert グラフのような構造的不連続性を効果的に同定した。
• 本手法は、その強固で解釈可能なグラフシグネチャのおかげで、トランスファー学習および再識別タスクへの応用が顕著に効果的であった。