[論文レビュー] Survey of Graph Analysis Applications

Tim Hegeman, Alexandru Iosup|arXiv (Cornell University)|Jul 1, 2018

Complex Network Analysis Techniques参考文献 73被引用数 4

ひとこと要約

本稿は、多様な分野にまたがるグラフ解析アプリケーションの体系的サーベイを提示し、一般的に使用されるグラフ特徴量と解析手法を特定して包括的な分類体系を構築する。150件以上のアプリケーションを分析した結果、実世界のユースケースの多くが複数のグラフ特徴量と解析手法を組み合わせていることが明らかになった。今後のグラフ解析システムは、個別のユースケースや単一のフレームワークに注力するのではなく、広範な機能とインタラクティブなワークフロー構成をサポートするべきであると提言する。

ABSTRACT

Recently, many systems for graph analysis have been developed to address the growing needs of both industry and academia to study complex graphs. Insight into the practical uses of graph analysis will allow future developments of such systems to optimize for real-world usage, instead of targeting single use cases or hypothetical workloads. This insight may be derived from surveys on the applications of graph analysis. However, existing surveys are limited in the variety of application domains, datasets, and/or graph analysis techniques they study. In this work we present and apply a systematic method for identifying practical use cases of graph analysis. We identify commonly used graph features and analysis methods and use our findings to construct a taxonomy of graph analysis applications. We conclude that practical use cases of graph analysis cover a diverse set of graph features and analysis methods. Furthermore, most applications combine multiple features and methods. Our findings motivate further development of graph analysis systems to support a broader set of applications and to facilitate the combination of multiple analysis methods in an (interactive) workflow.

研究の動機と目的

• 多様な分野にまたがるグラフ解析の実用的ユースケースを特定・特徴づけること。
• 実世界のアプリケーションで使用されるグラフデータセットと解析手法の多様性を理解すること。
• 既存のサーベイが単一の分野やアルゴリズムクラスに限定しているというギャップを埋めること。
• 共通する特徴量と手法に基づいて、グラフ解析アプリケーションの分類体系を構築すること。
• 複数の解析手法と多様なグラフ特性の統合的サポートの必要性を強調することで、今後のシステム設計をガイドすること。

提案手法

• 再現性と厳密性を確保するため、Kitchenhamらが提唱する体系的文献レビュー（SLR）手法を適用する。
• 複数段階のプロセスを定義：レビューの計画立案、関連するリポジトリおよびキーワードの特定、構造化された検索クエリの適用。
• 自動キーワード検索（例：Google Scholar）を用いて主要な研究を抽出し、事前に定めた含む基準に基づいて手動でのスクリーニングを実施する。
• グラフ特徴量（例：サイズ、接続性、構造）と解析手法（例：中心性、クラスタリング、経路探索）に関するデータを抽出・統合する。
• 繰り返し現れるグラフ特徴量と解析手法のクラスに基づいて、アプリケーションを分類体系に分類する。
• 再現性を確保するため、検索ログ、選定リスト、分析データをオープンアクセスで公開することで結果を検証する。

実験結果

リサーチクエスチョン

• RQ1 グラフ解析の実用的ユースケースで使用されるデータセットと解析手法の特性は何か？
• RQ2 多様な分野にまたがるグラフ解析の実用的ユースケースを体系的に特定・選定する方法は何か？
• RQ3 実世界のグラフ解析アプリケーションで最も一般的に使用されるグラフ特徴量と解析手法は何か？
• RQ4 実世界のグラフの構造的性質は、パフォーマンスとシステム設計にどのように影響を与えるか？
• RQ5 複数手法・複数特徴量の使用が、今後のグラフ解析システム開発にどのような意味を持つのか？

主な発見

• 本研究では、多様な分野にまたがる150件以上の実世界のグラフ解析アプリケーションを同定し、使用されるグラフ特徴量と解析手法の多様性が顕著に明らかになった。
• 7つのグラフ解析手法クラスと5つのグラフ特徴量クラスが、調査されたアプリケーションの少なくとも15％で確認され、広範な採用が確認された。
• 大多数のアプリケーションが複数の解析手法を組み合わせており、70％以上が2つ以上の技術を用いており、しばしばインタラクティブまたはワークフロー形式の環境で利用されている。
• 多くのアプリケーションが小規模なグラフ（100万未満の頂点／辺）を対象としている一方、サイバーセキュリティ、ソーシャルメディア、ソフトウェア工学の分野では大規模なグラフ（数億の辺）が広く使われている。
• 本研究で分析された最大のグラフは、約10億の頂点と370億の辺を有し、マルウェア検出に使用された。
• 神経科学分野は、脳ネットワークの解析に共通のネットワーク解析技術を用いるという点で、高い手法の均一性を示した。