[論文レビュー] SPECTRE: Seedless Network Alignment via Spectral Centralities

Mikhail Hayhoe, Francisco Barreras+2 more|arXiv (Cornell University)|Nov 2, 2018

Complex Network Analysis Techniques参考文献 53被引用数 4

ひとこと要約

SPECTRE は、スプライスセンタリティを用いてノイズの多い初期シードセットを生成し、ブートストラップパーコレーションを用いて反復的に整列を精緻化する、スケーラブルでシードレスなネットワークアラインメントアルゴリズムであり、正しいノードペアの事前知識がなくても、中程度に相関のあるネットワークに対しても高い正確性を達成する。実世界および合成ネットワークにおいて、エッジの正確性と ICS スコアの両面で最先端の手法を上回る性能を示す。

ABSTRACT

Network alignment consists of finding a structure-preserving correspondence between the nodes of two correlated, but not necessarily identical, networks. This problem finds applications in a wide variety of fields, from the alignment of proteins in computational biology, to the de-anonymization of social networks, as well as recognition tasks in computer vision. In this work we introduce SPECTRE, a scalable algorithm that uses spectral centrality measures and percolation techniques. Unlike most network alignment algorithms, SPECTRE requires no seeds (i.e., pairs of nodes identified beforehand), which in many cases are expensive, or impossible, to obtain. Instead, SPECTRE generates an initial noisy seed set via spectral centrality measures which is then used to robustly grow a network alignment via bootstrap percolation techniques. We show that, while this seed set may contain a majority of incorrect pairs, SPECTRE is still able to obtain a high-quality alignment. Through extensive numerical simulations, we show that SPECTRE allows for fast run times and high accuracy on large synthetic and real-world networks, even those which do not exhibit a high correlation.

研究の動機と目的

• 既存のネットワークアラインメントアルゴリズムが高エッジ相関性やシードペアを必要としているという顕著な制限を解消すること。
• 事前情報や正しいシードペアに依存しない、スケーラブルで頑健なアルゴリズムを構築し、高いアラインメント品質を達成すること。
• スプライスセンタリティから得られるノイズの多い初期シードセットでさえ、ブートストラップパーコレーションによる反復的精緻化によって高品質なアラインメントを達成できることを示すこと。
• PPI、ソーシャル、インfra構造ネットワークを含む多様な実世界ネットワークにおいて、さまざまな相関レベル下で性能を評価すること。
• SPECTRE が、シードなし、強い相関仮定なしの条件下でも、高精度と高正確性を維持する最初のスケーラブルなアルゴリズムであることを確立すること。

提案手法

• SPECTRE は、ネットワーク隣接行列のスペクトル的性質に基づいてノードをランク付けすることで、固有ベクトルセンタリティを用いてノイズの多い初期シードセットを生成する。
• 局所的一致性に基づいてアラインメントを段階的に拡大する二つの拡張モード（SafeExpand と LooseExpand）を備えたブートストラップパーコレーションフレームワークを適用する。
• 拡張過程で誤ってアラインされたノードを修正するためにバックトラッキング戦略を採用し、反復処理を通じてアラインメント品質を向上させる。
• パラメータスイープを k（初期シードペア数）および w（パーコレーション閾値）に対して実施し、アラインメント性能を最適化する。
• 大規模ネットワークにおける計算スケーラビリティを確保するため、低ランク近似とスペクトル分解を活用する。
• 初期シードセットのノイズに強く、多数の初期ペアが誤りであっても、アルゴリズムが成功することを保証する。

実験結果

リサーチクエスチョン

• RQ1 ノード対応関係の事前知識やシードペアを一切必要としないネットワークアラインメントアルゴリズムが、高い正確性を達成できるか？
• RQ2 スプライスセンタリティは、ネットワークアラインメントのための有用な（ただしノイズを含む）初期シードセットを効果的に生成できるか？
• RQ3 バックトラッキングを伴うブートストラップパーコレーションは、ノイズの多い初期アラインメント内の誤りをどの程度効果的に是正できるか？
• RQ4 SPECTRE は、既存の手法が失敗する低～中程度のエッジ相関を持つ実世界ネットワークにおいて、どの程度の性能を示すか？
• RQ5 シードなしの状況下で、アラインメントの正確性、実行時間、パラメータ選択（例：k と w）のトレードオフはどのように変化するか？

主な発見

• C. jejuni と E. coli の PPI ネットワークにおいて、SPECTRE は 32% のエッジ正確性と 35% の ICS スコアを達成し、GHOST や MI-GRAAL を顕著に上回った。
• 最良のアラインメント品質は w=1 および k=90 の条件下で達成され、パラメータの変動に強く、初期ノイズに高い耐性があることが示された。
• ネットワークサイズに応じて実行時間が効率的にスケーリングされ、50,000 ノードを超えるネットワークでも 100 秒未満で完了した。
• SPECTRE は、エッジ相関が低いネットワークにおいても高い性能を維持しており、既存の多くのアルゴリズムが失敗する状況でも有効である。
• 初期シードセットに多数の誤ったペアが含まれても、ブートストラップパーコレーションによる反復的精緻化のおかげで、誤りが効果的に是正される。
• 特にシードレスな状況において、最先端の手法と比較して、SPECTRE は優れたスケーラビリティと正確性を示した。