[論文レビュー] On the Hyperbolicity of Large-Scale Networks

W. Sean Kennedy, Onuttom Narayan+1 more|arXiv (Cornell University)|Jun 28, 2013

Complex Network Analysis Techniques参考文献 30被引用数 27

ひとこと要約

本稿では、RipsおよびGromovの3点および4点条件に基づく曲率プロットを用いて、大規模な通信および社会的ネットワークが強いδ-ハイパボリシティを示すことを提案している。これは、大規模な領域における負の曲率を示す幾何的性質である。実世界のネットワークにおける広範な計算と再正準化技術を通じて、著者らは粗粒度化の過程でハイパボリシティが保存され、かつ強化されることを示している。これにより、巨大グラフにおける効率的な検出が可能となり、パワーロウの次数分布や高いクラスタリング係数といった局所的性質と併せて、包括的な幾何的フレームワークを提供する。

ABSTRACT

Through detailed analysis of scores of publicly available data sets corresponding to a wide range of large-scale networks, from communication and road networks to various forms of social networks, we explore a little-studied geometric characteristic of real-life networks, namely their hyperbolicity. In smooth geometry, hyperbolicity captures the notion of negative curvature; within the more abstract context of metric spaces, it can be generalized as d-hyperbolicity. This generalized definition can be applied to graphs, which we explore in this report. We provide strong evidence that communication and social networks exhibit this fundamental property, and through extensive computations we quantify the degree of hyperbolicity of each network in comparison to its diameter. By contrast, and as evidence of the validity of the methodology, applying the same methods to the road networks shows that they are not hyperbolic, which is as expected. Finally, we present practical computational means for detection of hyperbolicity and show how the test itself may be scaled to much larger graphs than those we examined via renormalization group methodology. Using well-understood mechanisms, we provide evidence through synthetically generated graphs that hyperbolicity is preserved and indeed amplified by renormalization. This allows us to detect hyperbolicity in large networks efficiently, through much smaller renormalized versions. These observations indicate that d-hyperbolicity is a common feature of large-scale networks. We propose that d-hyperbolicity in conjunction with other local characteristics of networks, such as the degree distribution and clustering coefficients, provide a more complete unifying picture of networks, and helps classify in a parsimonious way what is otherwise a bewildering and complex array of features and characteristics specific to each natural and man-made network.

研究の動機と目的

• 大規模な実世界のネットワークが、大規模な領域における負の曲率を示すグローバルな幾何的性質であるδ-ハイパボリシティを示すかどうかを調査すること。
• 再正準化群の技術を用いて、巨大ネットワークにおけるハイパボリシティを効率的に検出可能なスケーラブルな計算手法を開発・検証すること。
• 幾何的構造に基づいて、ハイパボリックネットワーク（例：社会的・通信的ネットワーク）と非ハイパボリックネットワーク（例：道路網）を区別すること。
• δ-ハイパボリシティが、パワーロウの次数分布や高いクラスタリング係数といった既知の局所的ネットワーク特性と併存することを示すこと。
• ハイパボリシティと局所的特徴を組み合わせることで、複雑ネットワークの包括的で簡潔な幾何的分類フレームワークを提供すること。

提案手法

• 本研究では、GromovおよびRipsの3点および4点条件に基づく曲率プロットを用いて、有限グラフにおけるδ-ハイパボリシティを定量化する。
• 近隣のノードをスーパーノードに集約することでグラフサイズを縮小する再正準化群のアプローチを採用し、ハイパボリシティを保存または強化する。
• 軸のスケーリングに、$2^{5-n/2}$や$\lambda^{m-9}$などの要因を用いて、普遍的崩壊（universality collapse）をテストし、ハイパボリシティを示す。
• 元のグラフと再正準化されたグラフの曲率プロットを比較することで、ネットワークがδ-ハイパボリックであるかどうかを評価する。スケール間でプロットが一致する場合、ハイパボリック構造が存在する。
• 既知のハイパボリックモデル（例：$\mathbb{H}_{(3,7)}$グリッド）と非ハイパボリックモデル（例：正方形格子、ペンシルベニア州道路網）を用いて、手法の妥当性を検証する。
• 本手法を通信、社会的、引用、共同作業ネットワークにまたがる50以上の実世界データセットに適用し、スケールにわたるハイパボリシティの評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 大規模な通信および社会的ネットワークは、大規模な領域における負の曲率を示すδ-ハイパボリシティを示すか？
• RQ2 再正準化に基づくスケーリング技術を用いて、巨大ネットワークのハイパボリシティを効率的に検出できるか？
• RQ3 再正準化プロセスはネットワークのハイパボリシティにどのように影響するか？保存されるか、あるいは強化されるか？
• RQ4 道路網のような非ハイパボリックネットワークは、再正準化下で特徴的な曲率プロットの挙動を示すか？
• RQ5 パワーロウの次数分布や高いクラスタリング係数といった局所的ネットワーク特性と、δ-ハイパボリシティは共存可能か？

主な発見

• IPレイヤー、引用、共同作業、友人関係グラフを含む、大規模な通信および社会的ネットワークは、グラフ直径に比べて顕著に小さい平均および最大の三角形の厚さδを示し、強いδ-ハイパボリシティを示している。
• ペンシルベニア州道路網を含む道路網は、軸のスケーリング下でもプロットが崩壊せず、再正準化レベル間で明確に異なるため、δ-ハイパボリックでない。
• 再正準化プロセスはδ-ハイパボリシティを保存し、さらには強化する。再正準化されたグラフの曲率プロットは一致し続け、あるいはより顕著な平坦化を示す。
• 非ハイパボリックグラフ（正方形格子、道路網）では、軸のスケーリング後にのみプロットが崩壊するため、内在的なハイパボリック構造が欠如していることが示唆される。
• $\mathbb{H}_{(3,7)}$ハイパボリックグリッドの曲率プロットは、スケーリングなしで一致を示し、そのδ-ハイパボリック性が確認され、手法の妥当性が裏付けられた。
• 再正準化された非常に小さなバージョンを分析することで、従来の研究範囲よりも桁違いに大きなネットワークにおけるハイパボリシティ検出が可能になった。