[論文レビュー] Rank me thou shalln't Compare me

Akrati Saxena, Vaibhav Malik+1 more|arXiv (Cornell University)|Nov 29, 2015

Complex Network Analysis Techniques参考文献 24被引用数 7

ひとこと要約

本論文は、ランダムウォークサンプリングにより推定されたネットワークパラメータ（サイズ、最小/最大/平均次数）とノードの次数のみを用いて、大規模な複雑ネットワークにおけるノードの次数中心性順位を予測する新規手法を提案する。この手法はスケールフリーネットワークのべき乗則次数分布を利用しており、ネットワークサイズに対して平均予測誤差がわずか0.16%にとどまり、高次度ノードではより高い精度を達成する。

ABSTRACT

Centrality measures have been defined to quantify the importance of a node in complex networks. The relative importance of a node can be measured using its centrality rank based on the centrality value. In the present work, we predict the degree centrality rank of a node without having the entire network. The proposed method uses degree of the node and some network parameters to predict its rank. These network parameters include network size, minimum, maximum, and average degree of the network. These parameters are estimated using random walk sampling techniques. The proposed method is validated on Barabasi-Albert networks. Simulation results show that the proposed method predicts the rank of higher degree nodes with more accuracy. The average error in the rank prediction is approximately $0.16\%$ of the network size.

研究の動機と目的

• グローバルなネットワーク知識が不要な状態でノードの次数中心性順位を正確に予測することを可能にすること。
• 完全なトポロジが収集可能な状況でない大規模かつ動的なネットワークにおける計算およびストレージコストを低減すること。
• スケールフリー・ネットワークに特徴的なべき乗則次数分布を活用して順位推定を行うこと。
• ランダムウォークサンプリングを用いてパラメータ推定を実施し、Barabasi-Albertネットワーク上で手法を検証すること。
• 現実世界のネットワークにおけるインパルス的ノードを特定するためのスケーラブルでストレージ効率の良い代替手法を提供すること。

提案手法

• HardimanとKatzirのランダムウォーク手法を用いてネットワークサイズを推定し、サンプリングノードの約1%で収束する。
• サンプルされたノードから最小および最大次数を推定し、これらを全ネットワークの代表的特徴とみなす。
• Dasguptaらの手法に基づき、ランダムウォーク統計を用いて平均次数を推定する。
• 次数分布をべき乗則としてモデル化する：P(k) ∝ k^−γ、ここでγはネットワークパラメータから推定される。
• 予測順位の閉形式式を導出する：Rp(u) = a·k^{1−γ} + b、ここでaおよびbはネットワークパラメータから導かれる定数である。
• べき乗則の累積分布関数を用いて、次数kを持つノードの順位を計算する。この際、分布はk_minからk_maxの範囲にわたると仮定する。

実験結果

リサーチクエスチョン

• RQ1 局所的情報とサンプリングされたネットワークパラメータのみを用いて、ノードの次数中心性順位を正確に予測できるか？
• RQ2 ネットワークサイズや次数値の違いに応じて、順位予測の精度はどのように変化するか？
• RQ3 スケールフリー・ネットワークに特徴的なべき乗則仮定が、最小限のグローバルデータで正確な順位推定を可能にする程度はどの程度か？
• RQ4 サンプリング誤差とネットワークサイズが、順位予測の精度に及ぼす影響は何か？
• RQ5 ランダムウォークサンプリングは、順位予測に用いるための主要なネットワークパラメータ（サイズ、最小/最大/平均次数）を効果的に推定できるか？

主な発見

• 全テスト対象ネットワークサイズにおいて、順位予測の平均絶対誤差はネットワークサイズの約0.16%にとどまる。
• 高次度ノードではより高い精度を達成し、最大次数に近いノードでは絶対誤差が低くなる。
• 平均絶対誤差はネットワークサイズの増加に伴い増加するが、ネットワークサイズに対するパcentage誤差（相対誤差）はネットワークが大きくなるに従い減少する。
• 最大次数に近い次数を持つノードでは、予測誤差が最小となる。これは、高次度尾部におけるべき乗則積分の近似が良好であるためである。
• 100,000〜500,000ノードのネットワークにおいて一貫した性能を示し、平均誤差は10万ノード時で335.02、50万ノード時で631.58の範囲にとどまる。
• 導出された解析的モデルRp(u) = a·k^{1−γ} + bは、局所的ノード次数とグローバルパラメータに基づく安定的かつスケーラブルな順位推定フレームワークを提供する。