[論文レビュー] On the uniform generation of random graphs with prescribed degree sequences

Ron Milo, Nadav Kashtan+3 more|arXiv (Cornell University)|Dec 1, 2003

Complex Network Analysis Techniques参考文献 20被引用数 292

ひとこと要約

本稿では、所定の次数列を持つランダムグラフを生成するための3つのアルゴリズム——スイッチング法、マッチング法、および新しい「勝者に従う」モンテカルロ法——の評価を行っている。『勝者に従う』手法は均一サンプリングを保証するが、遅い。一方、スイッチング法は理論的には混合時間に依存するが、実際にはほぼ均一に動作し、著しく高速である。著者らは、速度と正確性のバランスに優れるため、スイッチングアルゴリズムが大多数の応用において最適な選択であると結論づけ、『勝者に従う』手法は検証のための信頼できるベンチマークとして機能する。

ABSTRACT

Random graphs with prescribed degree sequences have been widely used as a model of complex networks. Comparing an observed network to an ensemble of such graphs allows one to detect deviations from randomness in network properties. Here we briefly review two existing methods for the generation of random graphs with arbitrary degree sequences, which we call the ``switching'' and ``matching'' methods, and present a new method based on the ``go with the winners'' Monte Carlo method. The matching method may suffer from nonuniform sampling, while the switching method has no general theoretical bound on its mixing time. The ``go with the winners'' method has neither of these drawbacks, but is slow. It can however be used to evaluate the reliability of the other two methods and, by doing this, we demonstrate that the deviations of the switching and matching algorithms under realistic conditions are small compared to the ``go with the winners'' algorithm. Because of its combination of speed and accuracy we recommend the use of the switching method for most calculations.

研究の動機と目的

• 所定の次数列を持つランダムグラフを生成する既存のアルゴリズムの均一性と効率性を評価すること。
• 広く使われているマッチング法およびスイッチング法におけるサンプリングバイアスを同定すること。
• 均一サンプリングを保証する新しい「勝者に従う」モンテカルロ法を導入し、その評価を行うこと。
• ネットワークモチーフ解析における実用的用途に最も適したアルゴリズムを特定すること。
• 新しいベンチマークを用いて、スイッチング法に基づく従来の結果の信頼性を検証すること。

提案手法

• 『勝者に従う』モンテカルロ法は、確率的スタブマッチングによりネットワークの集団を生成し、多様性を維持するためにクローン化と剪定を実施する。
• 集団内の各ネットワークには、その生存およびクローン化履歴に基づく重みが割り当てられる：$ W_i = 2^{-c} \frac{m}{M} $、ここで $ c $ はクローン化ステップ数、$ m/M $ は生存確率を表す。
• 最終的なアンサンブル平均は重み付き和を用いて計算される：$ \frac{\sum W_i X_i}{\sum W_i} $、これにより極限において均一サンプリングが保証される。
• スイッチングアルゴリズムは、自己ループや多重辺が生成されない限り、ランダムな辺の入れ替え（例：$ A\to B, C\to D \to A\to D, C\to B $）を実行する。
• マッチングアルゴリズムはスタブをペアで確率的に接続するが、高次元ノードを好む傾向があり、非均一なサンプリングを引き起こす可能性がある。
• すべての手法は、合成ネットワークおよび実世界の例（例：E. coli、イースト、C. elegans）を用いて、フィードフォワードループなどのモチーフカウントを用いて比較された。

実験結果

リサーチクエスチョン

• RQ1 マッチングアルゴリズムは、所定の次数列を持つランダムグラフを均一に分布させるか？
• RQ2 スイッチングアルゴリズムの混合時間は、実際のサンプリング均一性にどのように影響するか？
• RQ3 『勝者に従う』モンテカルロ法は、他のアルゴリズムの評価のための信頼できるベンチマークとして機能できるか？
• RQ4 3つのアルゴリズム間で、実際のネットワークとランダムアンサンブルの間のモチーフカウントの乖離はどのように異なるか？
• RQ5 理論的な懸念があるにもかかわらず、スイッチングアルゴリズムはネットワークモチーフ解析における実用的用途に十分に正確であるか？

主な発見

• マッチングアルゴリズムは顕著なバイアスを生じさせ、低次元ノードを含む構成を低くサンプリングする（例：2つのトポロジーを持つ玩具的ネットワークでは、より結合度の高い方を90倍の割合で好む）。
• 『勝者に従う』手法は、2つの異なるトポロジーを持つ小さな合成ネットワークに対して正確な列挙を用いて確認したところ、完全に均一なサンプリングを実現した。
• スイッチングアルゴリズムは、平均して1エッジあたり1回のスイッチでも、『勝者に従う』手法と統計的誤差の範囲内で区別できないモチーフカウントを生成した。
• E. coli やイーストなどの実世界ネットワークにおいて、スイッチング法と『勝者に従う』手法によるモチーフZスコアの差は0.5標準偏差未満であり、実用的には無視できる程度の乖離であることが示された。
• マッチングアルゴリズムは速いが、小さな例では顕著な非均一性を示すが、実世界のケースではバイアスが小さすぎて、多くの既存の研究結果に影響を及ぼさない。
• 著者らは、速度と正確性のバランスに優れるため、スイッチングアルゴリズムを大多数の応用において推奨する。『勝者に従う』手法は検証の目的でのみ使用するべきである。