[論文レビュー] Scalable Graph Neural Network-based framework for identifying critical nodes and links in Complex Networks

Sai Munikoti, Laya Das+1 more|arXiv (Cornell University)|Dec 26, 2020

Complex Network Analysis Techniques参考文献 46被引用数 68

ひとこと要約

本稿では、小さなノード／リンクのサブセットから臨床的スコアを学習することで、大規模な複雑ネットワークにおける重要なノードおよびリンクを効率的に同定するインダクティブなグラフニューラルネットワーク（GNN）ベースのフレームワーク、ILGRを提案する。モデルは90％を超えるTop-5％の同定精度を達成し、従来の反復的手法と比較して複数桁の速度向上を実現し、合成ネットワークおよび実世界のネットワークにわたりスケーラブルかつ汎用的なレジliエンス解析を可能にする。

ABSTRACT

Identifying critical nodes and links in graphs is a crucial task. These nodes/links typically represent critical elements/communication links that play a key role in a system's performance. However, a majority of the methods available in the literature on the identification of critical nodes/links are based on an iterative approach that explores each node/link of a graph at a time, repeating for all nodes/links in the graph. Such methods suffer from high computational complexity and the resulting analysis is also network-specific. To overcome these challenges, this article proposes a scalable and generic graph neural network (GNN) based framework for identifying critical nodes/links in large complex networks. The proposed framework defines a GNN based model that learns the node/link criticality score on a small representative subset of nodes/links. An appropriately trained model can be employed to predict the scores of unseen nodes/links in large graphs and consequently identify the most critical ones. The scalability of the framework is demonstrated through prediction of nodes/links scores in large scale synthetic and real-world networks. The proposed approach is fairly accurate in approximating the criticality scores and offers a significant computational advantage over conventional approaches.

研究の動機と目的

• 大規模なグラフにおける重要なノード／リンクを同定するための従来の反復的手法の高い計算複雑性に対処すること。
• 多様なネットワークタイプおよびレジリエンス指標に一般化可能な汎用的でスケーラブルなフレームワークを開発すること。
• 訓練済みのGNNモデルを用いて、未学習のノード／リンクの臨床的スコアを高速に予測するインダクティブな予測を可能にすること。
• 実世界および合成ネットワークにおける重要なノード／リンクの同定において、実行時間を短縮しながら高い正確性を維持すること。
• 構造的変更に伴う再トレーニングを再び行わず、効率的な再予測が可能になるように、動的ネットワーク解析を支援すること。

提案手法

• 局所的なサブグラフネighborhoodからのノードおよびリンク埋め込み表現を学習するために、合成グラフ上でエンドツーエンドのGNNモデルを訓練する。
• ノード／リンク埋め込みに回帰ヘッドを適用し、有効グラフ抵抗（Rg）および重み付きスペクトル（Ws）という2つのレジリエンス指標に基づいて臨床的スコアを予測する。
• 大規模なグラフにおける未学習のノード／リンクへのインダクティブな転送を可能にするために、ノード／リンクの小さな代表的サブセット上でモデルを訓練する。
• リンクの場合は、接続された2つのノードの埋め込みを組み合わせて、学習可能な集約層を用いてリンク埋め込みを生成する。
• 2段階フレームワークを採用する：(1) 合成データ上のオフライン訓練、(2) 最小限の遅延で未学習のグラフに対するオンライン推論。
• GNNが持つインダクティブバイアスを活用し、再トレーニングなしにネットワークタイプやサイズの違いを越えて一般化すること。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのインダクティブモデルは、最小限のトレーニングデータで、多様なネットワークタイプにおいて高い正確性で重要なノード／リンクを予測できるか？
• RQ2 本稿で提案するGNNフレームワークは、1つのノード／リンクずつ臨床的スコアを計算する従来の反復的手法と比較して、速度と正確性の点でどのように差をつけるか？
• RQ3 トレーニング中に見なかった実世界のネットワークへ、モデルはどの程度一般化できるか？
• RQ4 ノードペアからのリンクレベルの埋め込みを組み込むことで、ノードのみの予測と比較して同定正確性が向上するか？
• RQ5 グラフサイズおよび複雑性の増加に伴い、モデルのパフォーマンスはどのようにスケーリングするか？

主な発見

• PL合成グラフでは、Rgに対して91％、Wsに対して94％のTop-5％同定正確性を達成し、PLC合成グラフではRgに対して97.5％、Wsに対して96.1％の正確性を示した。
• 実世界のネットワークでは、高い正確性を維持した：バイオ・イーストではRg-plcが92.6％、ws-plcが95.2％、米国送電網ではRg-plcが93.1％、ws-plcが94.6％、Wiki-VoteではRg-plcが89.6％、ws-plcが92.5％であった。
• Wiki-Voteのような大規模なグラフでは、従来手法の64,000秒以上から、本手法では25秒未満に実行時間を短縮し、複数桁の高速化を達成した。
• 微調整なしに実世界のネットワークへ効果的に一般化され、強力なインダクティブバイアスと転送可能性を示した。
• ノードの同定よりやや高いリンク同定性能を示した。これは、ペアドノード表現から得られるより豊かなリンク埋め込みによるものである。
• 計算的に効率的でスケーラブルであり、トレーニング時間は従来手法よりも顕著に低く、50,000ノードおよびリンクを含むグラフに対しても推論時間は低く保たれた。