[論文レビュー] PAFit: an R Package for Estimating Preferential Attachment and Node Fitness in Temporal Complex Networks

Thong Pham, Paul Sheridan+1 more|arXiv (Cornell University)|Apr 20, 2017

Complex Network Analysis Techniques被引用数 6

ひとこと要約

PAFit は、スケーラビリティを実現するため C++ と OpenMP を使用して、成長する時系列ネットワークにおける好みの付加とノードの適合度の非パラメトリック推定を実装する R パッケージである。科学的共同研究ネットワークにおいて、ほぼ線形の付加関数と顕著な適合度の変動が明らかになり、『豊かになる者にさらに豊かになる』および『適した者がさらに適する』ダイナミクスが示唆された。特に、上位の科学者たちは高い適合度スコアを示した。

ABSTRACT

Many real-world systems are profitably described as complex networks that grow over time. Preferential attachment and node fitness are two simple growth mechanisms that not only explain certain structural properties commonly observed in real-world systems, but are also tied to a number of applications in modeling and inference. While there are statistical packages for estimating various parametric forms of the preferential attachment function, there is no such package implementing non-parametric estimation procedures. The non-parametric approach to the estimation of the preferential attachment function allows for comparatively finer-grained investigations of the `rich-get-richer' phenomenon that could lead to novel insights in the search to explain certain nonstandard structural properties observed in real-world networks. This paper introduces the R package PAFit, which implements non-parametric procedures for estimating the preferential attachment function and node fitnesses in a growing network, as well as a number of functions for generating complex networks from these two mechanisms. The main computational part of the package is implemented in C++ with OpenMP to ensure scalability to large-scale networks. We first introduce the main functionalities of PAFit through simulated examples, and then use the package to analyze a collaboration network between scientists in the field of complex networks. The results indicate the joint presence of `rich-get-richer' and `fit-get-richer' phenomena in the collaboration network. The estimated attachment function is observed to be near-linear, which we interpret as meaning that the chance an author gets a new collaborator is proportional to their current number of collaborators. Furthermore, the estimated author fitnesses reveal a host of familiar faces from the complex networks community among the field's topmost fittest network scientists.

研究の動機と目的

• 成長するネットワークにおける好みの付加関数の非パラメトリック推定をサポートする統計パッケージの不足に対処すること。
• 時系列複雑ネットワークにおける好みの付加とノードの適合度の両方を推定するスケーラブルな計算フレームワークの開発。
• パラメトリック仮定を越えて『豊かになる者にさらに豊かになる』現象の詳細な調査を可能にすること。
• 推定された付加および適合度メカニズムに基づく合成ネットワークの生成を可能にするツールの提供。
• 実世界のデータ（例：科学的共同研究ネットワーク）にこの手法を適用し、背後にある成長ダイナミクスを解明すること。

提案手法

• ネットワークスナップショットからの経験的次数成長データを用いた、好みの付加関数の非パラメトリック推定。
• 接続確率に影響を与える時間不変パラメータとしての個々のノードの適合度の推定。
• 大規模ネットワークの効率的処理を実現するため、C++ でコアアルゴリズムを実装し、OpenMP を用いた並列化。
• 特定の関数形を仮定しないように、カーネルスムージングまたは類似の非パラメトリック技法を用いて付加関数を推定。
• 推定された付加および適合度パラメータに基づいてネットワーク成長をシミュレートするネットワーク生成関数の統合。
• 実世界の共同研究ネットワークへの適用の前に、シミュレートされたネットワークデータを用いた手法の妥当性の検証。

実験結果

リサーチクエスチョン

• RQ1 科学的共同研究ネットワークにおける好みの付加関数は、線形的か非線形的か、どの程度のパターンを示すか？
• RQ2 著者間における個々のノードの適合度はどの程度変動し、どの科学者が顕著に高い適合度を示すか？
• RQ3 『豊かになる者にさらに豊かになる』および『適した者がさらに適する』メカニズムが、ネットワーク構造をどの程度共同で形作っているか？
• RQ4 非パラメトリック推定は、パラメトリックモデルでは検出できない構造的パターンを明らかにできるか？
• RQ5 大規模な実世界の時系列ネットワークに対して、推定手順はどの程度スケーラブルか？

主な発見

• 共同研究ネットワークにおける推定された好みの付加関数はほぼ線形であり、新しい共同研究を形成する確率が、現在の共同研究者数に比例することを示唆している。
• ノードの適合度推定値は顕著な異質性を示し、複雑ネットワーク分野における著名な科学者が最も適合度の高いグループに属している。
• 好みの付加と適合度効果の両方が共存していることから、人気と個人の能力の両方が共同研究形成を駆動していることが示された。
• 非パラメトリックアプローチは、制限的なパラメトリック仮定を課さずに、洗練された成長ダイナミクスを的確に捉えた。
• C++ と OpenMP の実装のおかげで、パッケージは大規模ネットワークへのスケーラビリティを示し、実世界のデータセットの分析を可能にした。
• 結果は、構造的強化（豊かになる者にさらに豊かになる）と個人の質（適した者がさらに適する）が、科学的共同研究ネットワークの形成を形作っていると解釈できる。