[論文レビュー] Specialization Models of Network Growth

Leonid Bunimovich, Dallas C. Smith+1 more|arXiv (Cornell University)|Dec 5, 2017

Complex Network Analysis Techniques被引用数 3

ひとこと要約

本稿では、部分ネットワークを複製し、疎結合することで機能的モジュラリティを向上させるネットワーク成長のスペシャリゼーションモデルを導入する。部分ノードの集合に対して繰り返しスペシャリゼーションを適用することで、より疎でモジュラーかつ階層的なトポロジーが生成され、スケールフリー度数分布、非同調性、高いクラスタリング係数、スモールワールド効果といった現実世界のネットワークの特徴を示すようになる。

ABSTRACT

One of the most important features observed in real networks is that, as a network's topology evolves so does the network's ability to perform various complex tasks. To explain this, it has also been observed that as a network grows certain subnetworks begin to specialize the function(s) they perform. Here, we introduce a class of models of network growth based on this notion of specialization and show that as a network is specialized using this method its topology becomes increasingly sparse, modular, and hierarchical, each of which are important properties observed in real networks. This procedure is also highly flexible in that a network can be specialized over any subset of its elements. This flexibility allows those studying specific networks the ability to search for mechanisms that describe the growth of these particular networks. As an example, we find that by randomly selecting these elements a network's topology acquires some of the most well-known properties of real networks including the small-world property, disassortativity, power-law like degree distributions, and power-law like clustering coefficients. As far as the authors know, this is the first such class of models that creates an increasingly modular and hierarchical network topology with these properties.

研究の動機と目的

• 機能的複雑性の向上を支えるネットワークトポロジーの進化を説明すること。
• 部分ネットワークの機能的スペシャリゼーションに基づく、ネットワーク成長をモデル化する柔軟なフレームワークを開発すること。
• スペシャリゼーションが、実際のネットワークで観察されるモジュラーで階層的かつ疎なトポロジーの出現をもたらすことを示すこと。
• ランダムなスペシャリゼーションルールが、スケールフリー度数分布やスモールワールド特性といった広く観察されるネットワーク特徴を再現できることを示すこと。
• 構造的ルールとスペシャリゼーション同等性を導入し、機能的類似性に基づいてネットワークトポロジーを比較するための基盤を提供すること。

提案手法

• 選択された部分ネットワークを複製し、元のネットワークより疎な接続で接続するスペシャリゼーションルール τ を定義する。
• 初期グラフ G とスペシャリゼーションステップ数 k を用いて、τ^k(G) を繰り返し適用して生成する。
• スペシャリゼーションプロセス下で同型なモチーフやコンポonentを特定することで、構造的ルール ℓ を用いてグラフを比較する。
• ネットワーク要素のランダム選択をスペシャリゼーションルールとして用い、出現するトポロジー的性質を探索する。
• 度数分布、クラスタリング係数、平均パス長、同調性といったトポロジー的特徴を分析し、ネットワークの挙動を評価する。
• スペクトル解析を用いて、固有値と固有ベクトル中心性がスペシャリゼーション下でも保存されることを示し、動的安定性が維持されることを示す。

実験結果

リサーチクエスチョン

• RQ1 部分ネットワークの繰り返しスペシャリゼーションは、ネットワークトポロジーにおけるモジュラリティ、階層性、疎性の出現にどのように影響するか？
• RQ2 ランダムなスペシャリゼーションルールは、スケールフリー度数分布やスモールワールド特性といった現実世界の特性を持つネットワークを生成できるか？
• RQ3 構造的ルールは、機能的スペシャリゼーションに基づくネットワークの同値類を定義する上で果たす役割は何か？
• RQ4 繰り返しスペシャリゼーションの下で、ネットワークのスペクトル的および動的性質はどのように変化するか？
• RQ5 スペシャリゼーションモデルは、特定の現実世界のネットワークの詳細な構造的特徴を捉えるように調整可能か？

主な発見

• スペシャリゼーションモデルは、生物学的・社会的・技術的ネットワークで観察されるのと同様の、ますます疎でモジュラーかつ階層的なネットワークトポロジーを生成する。
• ランダムなスペシャリゼーションルールを用いる場合、得られるネットワークトポロジーは、べき則に類似した度数分布、非同調性、高いクラスタリング係数、およびスモールワールド効果を示す。
• 本モデルは、モジュラーで階層的な構造を同時に生成し、これらの4つの主要な現実世界のネットワーク特徴を再現する最初の既知のネットワーク成長モデルクラスである。
• スペシャリゼーションは、固有値や固有ベクトル中心性といった重要なスペクトル的性質を保存するため、成長プロセス中でも動的安定性が維持されていることが示唆される。
• 構造的ルールにより、スペシャリゼーション同等性が定義され、機能的モチーフ構造に基づいてネットワークを類似性クラスに分割可能である。
• k を増加させた際の τ^k(G) の漸近的トポロジーとスペクトルは未解明であり、今後の理論的分析のためのオープンな問題である。