[論文レビュー] Network Classification in Temporal Networks Using Motifs

Kun Tu, Jian Li+3 more|arXiv (Cornell University)|Jul 10, 2018

Complex Network Analysis Techniques参考文献 21被引用数 11

ひとこと要約

本稿では、ノイズモデルを用いた時系列ネットワークモチーフの分布を分析することにより、時系列ネットワークの分類を目的としたモチーフベースのネットワーク埋め込み手法を提案する。実験の結果、時系列的および静的モチーフ特徴を組み合わせることで、struc2vec などの最先端手法に比べて分類精度が最大10%向上することを示している。特に、ネットワークタイプ分類や行動パターンからの個体同定のタスクにおいて顕著な向上が得られた。

ABSTRACT

Network classification has a variety of applications, such as detecting communities within networks and finding similarities between those representing different aspects of the real world. However, most existing work in this area focus on examining static undirected networks without considering directed edges or temporality. In this paper, we propose a new methodology that utilizes feature representation for network classification based on the temporal motif distribution of the network and a null model for comparing against random graphs. Experimental results show that our method improves accuracy by up $10\%$ compared to the state-of-the-art embedding method in network classification, for tasks such as classifying network type, identifying communities in email exchange network, and identifying users given their app-switching behaviors.

研究の動機と目的

• 時系列ネットワークにおけるネットワーク分類のための特徴表現を開発し、構造的および動的パターンの両方を捉えること。
• 時系列モチーフが、ネットワークタイプの分類や個体ネットワークの同定において、静的モチーフよりもより判別力のある情報を提供するかどうかを調査すること。
• 実世界の時系列ネットワーク分類タスクにおいて、モチーフベースの埋め込みと最先端のstruc2vec手法の性能を比較すること。
• 静的および時系列モチーフ特徴を組み合わせることで、ネットワーク同定および分類の性能が向上するかどうかを評価すること。

提案手法

• 本手法は、時系列および静的ネットワークモチーフから導出された部分グラフ比プロファイル（SRPs）を用いて、固定長の特徴ベクトルを構築する。
• ノイズモデルを用いて、観測されたモチーフ頻度がランダムな期待値から著しく逸脱しているかどうかを評価し、統計的に有意なモチーフを同定する。
• 時系列モチーフは、タイムスタンプが付与された有向エッジのシーケンス上の誘導部分グラフとして定義され、トポロジーと時間的順序の両方を捉える。
• 本手法は、時系列および静的モチーフの両方についてSRPを計算し、それらを連結することでハイブリッド特徴表現を生成する。
• フレームワークは、複数の機械学習モデル（XGBoost、SVM、ランダムフォレスト、AdaBoost）を用いて、実世界のデータセットに適用する。
• ハイパーパrameterの最適化にはグリッドサーチと10分割交差検証を用い、性能評価の堅牢性を確保する。

実験結果

リサーチクエスチョン

• RQ1 時系列モチーフの分布は、静的モチーフの分布に比べてネットワーク分類精度を向上させ得るか？
• RQ2 静的および時系列モチーフ特徴を組み合わせることで、個体同定タスクにおいて、それぞれ単独で使用する場合よりも高い性能が得られるか？
• RQ3 提案手法のモチーフベースの埋め込みは、ネットワークタイプの分類および行動ネットワークからの個体同定タスクにおいて、最先端のstruc2vec手法と比較してどのように性能を発揮するか？
• RQ4 時系列的ダイナミクスを組み込むことで、ネットワーク埋め込みの判別力はどの程度向上するか？

主な発見

• 時系列モチーフベースの埋め込みは、ネットワークタイプ分類タスクにおいて、最先端のstruc2vec手法に比べて最大10%の精度向上を達成した。
• 時系列および静的モチーフ特徴の組み合わせ（Temp+Static）は、個々の特徴成分よりも顕著に優れた性能を示し、構造的および動的パターンからの補完的で有用な情報が得られることを示した。
• XGBoostは、連結された時系列および静的モチーフ特徴を用いることで、全テストモデルの中で最高の精度を達成した。
• 時系列情報のみを用いることで、静的表現に比べて測定可能な精度向上が得られ、動的特性がネットワーク特徴記述において価値を持つことを確認した。
• 本手法は、電子メールネットワークにおける部署同定やアプリ切り替え行動からのユーザー同定といった複数のデータセットおよびタスクにおいて、struc2vecを一貫して上回った。
• 結果から、モチーフベースの埋め込みが、サイズや期間が異なるネットワークの分類に有効であることが示され、堅牢でスケーラブルなソリューションであることが明らかになった。