[論文レビュー] Revisiting Role Discovery in Networks: From Node to Edge Roles

Nesreen K. Ahmed, Ryan A. Rossi+2 more|arXiv (Cornell University)|Oct 4, 2016

Complex Network Analysis Techniques参考文献 31被引用数 4

ひとこと要約

本稿は、高次グラフレット特徴量とスケーラブルな潜在空間モデルを用いて、任意のグラフにおけるエッジの意味のある役割を学習・抽出するための新規フレームワークとしてエッジ役割発見を導入する。これは一般化可能で、線形時間かつ空間効率的なアプローチであり、従来のノード中心の手法に比べてネットワーク構造をより効果的に捉えることができる。実世界の多様なネットワークにおいて、異常検知、分類、リンク予測の分野で実用性が実証されている。

ABSTRACT

Previous work in network analysis has focused on modeling the mixed-memberships of node roles in the graph, but not the roles of edges. We introduce the edge role discovery problem and present a generalizable framework for learning and extracting edge roles from arbitrary graphs automatically. Furthermore, while existing node-centric role models have mainly focused on simple degree and egonet features, this work also explores graphlet features for role discovery. In addition, we also develop an approach for automatically learning and extracting important and useful edge features from an arbitrary graph. The experimental results demonstrate the utility of edge roles for network analysis tasks on a variety of graphs from various problem domains.

研究の動機と目的

• 従来のノード中心の役割モデルにとどまらない、ネットワーク解析におけるギャップを埋めるためにエッジ役割発見を導入すること。
• 任意の静的および動的グラフからエッジ役割を学習・抽出する一般化可能なフレームワークを開発すること。
• 次数とエゴネット特徴量のみに依存するのではなく、高次ネットワークモチーフ（グラフレット）を活用することで、役割発見の識別力を向上させること。
• 大規模な属性付きおよび属性なしネットワークにおける、効率的でスケーラブルかつ空間効率的な特徴量学習フレームワークを構築すること。

提案手法

• サイズ k ≥ 3 の部分グラフ（グラフレット）に基づく特徴量をエッジ役割の初期表現として用いる高次潜在空間モデルを提案する。
• 関係性特徴量学習テンプレートを採用し、グラフレットカウントおよび三角形コア番号や近隣彩色数などの他の構造的パラメータから、新たな説明可能で識別力のあるエッジ特徴量を導出する。
• Bregman散発に基づく最適化（例：フロベニウスノルム、KLダイバージェンス、ISダイバージェンス）を用いて、潜在エッジおよびノード役割の学習における効率的行列分解を実現する。
• 特徴量表現を圧縮するスパースグラフ特徴量学習アプローチを導入し、データセット全体でスパarsityレベルが 0.162 から 0.334 の範囲に収まる。
• すべてのアルゴリズムを並列化することで、エッジ数に対して線形時間計算量を達成し、モデル学習の最悪計算量は O(f(m + nr)) となる。
• 統一されたフレームワークにより、無向および有向グラフ、属性付きネットワークの両方をサポートし、エッジおよびノード特徴量学習を統合的に実現する。

実験結果

リサーチクエスチョン

• RQ1 従来のノード役割モデルにとどまらず、任意のグラフにおいてエッジ役割を意味的に定義・発見できるか？
• RQ2 次数およびエゴネット特徴量のみに比べて、高次グラフレット特徴量は役割発見の識別力をどのように向上させるか？
• RQ3 大規模ネットワークからスパースで代表的なエッジ特徴量を抽出できる、スケーラブルで空間効率的な特徴量学習フレームワークを設計できるか？
• RQ4 エッジ役割は、異常検知、分類、リンク予測といった下流タスクのパフォーマンスをどの程度向上させるか？
• RQ5 提案モデルは、属性付きおよび動的グラフを含む多様なネットワークタイプにどの程度一般化可能か？

主な発見

• 提案されたエッジ役割発見フレームワークは、既存のノードベース特徴量学習手法に比べ最大6倍の空間効率を達成し、データセット全体で特徴量行列のスパarsityが 0.162 から 0.334 の範囲に収まる。
• モデルはエッジおよびノード特徴量表現を極めて圧縮して学習し、ストレージ要件を顕著に削減しながらも識別力を維持する。
• モデルの時間計算量はエッジ数に対して線形であるため、大規模ネットワークへのスケーラビリティが保証される。
• グラフレットベースの特徴量（サイズ3〜4の誘導部分グラフのカウントなど）を用いることで、次数およびエゴネット特徴量のみに依存する場合に比べ、役割発見の質が顕著に向上する。
• エッジの機能的意味を直接モデル化できるため、異常検知、分類、リンク予測など多様な応用に適している。
• スパース特徴量学習アプローチは、空間効率性の観点で密度特徴量学習を上回り、密度表現が非現実的になる大規模ネットワークにおいて実用的である。