[論文レビュー] Random graphs as models of networks

M. E. J. Newman|arXiv (Cornell University)|Feb 12, 2002

Complex Network Analysis Techniques被引用数 238

ひとこと要約

この論文は、古典的な Erdős–Rényi モデルの主な限界を克服する一般化されたランダムグラフモデルをレビューしている。これにより、任意の次数分布とクラスタリングを組み込み、現実のネットワークをより正確にモデル化できるようになった。主な貢献は、解析的取り扱いのしやすさを保ちながら、重みの大きい次数分布や高いクラスタリング係数といった現実的ネットワーク特性を捉えるフレームワークを提供することにある。

ABSTRACT

The random graph of Erdos and Renyi is one of the oldest and best studied models of a network, and possesses the considerable advantage of being exactly solvable for many of its average properties. However, as a model of real-world networks such as the Internet, social networks or biological networks it leaves a lot to be desired. In particular, it differs from real networks in two crucial ways: it lacks network clustering or transitivity, and it has an unrealistic Poissonian degree distribution. In this paper we review some recent work on generalizations of the random graph aimed at correcting these shortcomings. We describe generalized random graph models of both directed and undirected networks that incorporate arbitrary non-Poisson degree distributions, and extensions of these models that incorporate clustering too. We also describe two recent applications of random graph models to the problems of network robustness and of epidemics spreading on contact networks.

研究の動機と目的

• 現実のネットワークを表現するうえで古典的な Erdős–Rényi ランダムグラフモデルの限界を解決すること。
• モデルが非ポisson的次数分布を捉えられず、クラスタリングや伝播性が欠如しているという問題を克服すること。
• 重みの大きい次数分布や高いクラスタリングといった現実的ネットワーク特徴を組み込んだ、解析的に取り扱いやすいモデルの開発。
• 適用範囲を広げるために、有向および無向ネットワークの両方のフレームワークへの拡張。
• ネットワークの耐性および接触ネットワーク上の疫病拡散の研究に一般化モデルを適用すること。

提案手法

• Erdős–Rényi モデルのポisson的次数分布を置き換えるために、任意の次数分布を持つランダムグラフを生成するための構成モデル（configuration model）を用いる。
• エッジ確率が頂点の次数に依存する一般化されたランダムグラフモデルを導入し、任意の次数分布を実現可能にする。
• 次数列を保ちながら、三角形や局所的クラスタ構造を追加することでクラスタリングを組み込む。
• 次数分布に不均一性があるネットワークにおけるフェーズ転移や確率的透過閾値の分析にモデルを適用する。
• SIR モデルをネットワーク構造にマッピングし、アウトブレーク閾値を計算することで、疫病拡散の分析にモデルを活用する。
• 平均場近似および母関数技術を用いて、大規模ネットワークの極限において正確な解析的結果を導出する。

実験結果

リサーチクエスチョン

• RQ1 ランダムグラフモデルをどのように一般化すれば、現実的でポアソン的でない次数分布を組み込めるか？
• RQ2 解析的取り扱いのしやすさを損なわずに、クラスタリングや伝播性をランダムグラフモデルに組み込むメカニズムは何か？
• RQ3 一般化されたランダムグラフモデルは、巨大成分の形成や透過閾値にどのように影響を与えるか？
• RQ4 これらのモデルは、インターネット、ソーシャルネットワーク、生物学的ネットワークなどの現実のネットワークをどれほど正確に再現できるか？
• RQ5 ネットワーク構造と次数の不均一性は、接触ネットワーク上の疫病拡散にどのように影響を与えるか？

主な発見

• 任意の次数分布を組み込んだ一般化されたランダムグラフモデルは、元の Erdős–Rényi モデルの解法可能性を拡張し、ネットワークの主要な性質について正確な解析的解を得られる。
• このモデルは、ワールドワイドウェブ やソーシャルネットワークで観測されるような、重みの大きい次数分布（例：べき則の振る舞い）をうまく捉えている。
• クラスタリングを組み込むことでクラスタリング係数が著しく上昇し、実際のネットワークの観測値に近づく—例として、Erdős–Rényi では約 0.0006 であったのに対し、インターネット自律システムネットワークでは 0.24 にまで上昇する。
• 巨大成分形成のフェーズ転移は平均次数 z=1 で発生し、平均場透過理論と整合的であるが、次数の不均一性が転移の性質を変化させることを示している。
• 広い次数分布を示すネットワークでは、感染症の拡散閾値が著しく低下し、アウトブレークに対する感受性が高まることを示している。
• このモデルは、インfra構造や生物学的ネットワークを含む複雑系におけるネットワークの耐性や疫病閾値の予測フレームワークを提供している。