[論文レビュー] The Role of Dynamic Interactions in Multi-scale Analysis of Network Structure

Rumi Ghosh, Kristina Lerman|arXiv (Cornell University)|Jan 1, 2012

Complex Network Analysis Techniques参考文献 22被引用数 3

ひとこと要約

本稿では、ネットワーク内の非保存的相互作用（例：情報拡散）をモデル化し、結合された発振子の同期を用いてノードの類似性を定義することで、動的でプロセスベースのマルチスケールコミュニティ検出手法を提案する。従来の手法とは異なり、より複雑でオニオン型の階層的構造が明らかとなり、非保存的モデルは保存的モデルよりも真のコミュニティ構造と整合性が高くなる。

ABSTRACT

To find interesting structure in networks, community detection algorithms have to consider not only the network topology, but also the dynamics of interactions between nodes. We investigate this claim using the paradigm of synchronization in a network of coupled oscillators. As the network evolves to a global equilibrium, nodes belonging to the same community synchronize faster than nodes belonging to different communities. We classify interactions as conservative (e.g., random walk) and non-conservative (e.g., viral contagion, information diffusion) and formulate a new model of non-conservative interactions. To find multi-scale community structure, we define a similarity function that measures the degree to which nodes are synchronized and use it to hierarchically cluster nodes. We study three data sets, that include a benchmark network, a synthetic graph with a known hierarchical community structure, and a large network of a social media provider. We find that conservative and nonconservative interaction models lead to dramatically different communities, with the non-conservative model revealing communities closer to the ground truth. Our method uncovers a significantly more complex multi-scale organization of networks than previously thought. The discovered structure of a real-world network resembles an onion: in each layer of the hierarchy, we find a large core and a number of small components with a long-tailed size distribution. Our work offers a novel, process-dependent perspective on community detection in real-world social networks.

研究の動機と目的

• コミュニティ検出における静的ネットワークトポロジーの限界を克服するため、動的相互作用プロセスを統合すること。
• 保存的（例：ランダムウォーク）と非保存的（例：ウイルス的拡散）の異なる種類の相互作用が、コミュニティ構造の同定に与える影響を調査すること。
• 同期ダイナミクスに基づく類似性測度を定義し、ノードの階層的クラスタリングを実行すること。
• 実世界および合成ネットワークにおけるマルチスケールで階層的なコミュニティ組織を明らかにすること。
• プロセス依存のモデリングが真のコミュニティ構造との整合性を向上させるかどうかを評価すること。

提案手法

• 情報拡散や感染症のプロセスを捉える新しい動的フレームワークを用いて、非保存的相互作用をモデル化する。
• 同じコミュニティに属するノード同士が、異なるコミュニティに属するノードよりも速く同期するように、結合された発振子のネットワークにおける同期をシミュレートする。
• ノード対間の同期度に基づく類似性関数を定義し、階層的クラスタリングのガイドとして用いる。
• ベンチマークネットワーク、合成された階層的ネットワーク、大規模な実世界のソーシャルメディアネットワークの3つのデータセットにこの手法を適用する。
• ランダムウォークなどの保存的モデルと比較して、非保存的相互作用モデルの構造的差を評価する。
• 同期類似性に基づく階層的クラスタリングを用いて、マルチスケールのコミュニティ層を明らかにする。

実験結果

リサーチクエスチョン

• RQ1 保存的および非保存的相互作用ダイナミクスは、ネットワークにおけるコミュニティ構造の検出にどのように影響するか？
• RQ2 結合された発振子の同期ダイナミクスは、ネットワークコミュニティにおけるマルチスケールで階層的な組織を明らかにできるか？
• RQ3 非保存的プロセスのモデリングが、真のコミュニティ構造との整合性をどの程度向上させるか？
• RQ4 プロセス依存の動的コミュニティ検出アプローチを用いた場合、実世界のネットワークにどのような構造的パターンが現れるか？
• RQ5 得られたコミュニティ構造は、従来の静的トポロジーに基づく手法と比べてどのように異なるか？

主な発見

• ウイルス的感染などの非保存的相互作用モデルは、ランダムウォークなどの保存的モデルよりも、真のコミュニティ構造と著しく近い構造を明らかにする。
• 本手法により、実世界のネットワークに、大きなコアと多数の小さな、長い尾部を持つコンポーネントを有する複雑でオニオン型の階層的構造が明らかになる。
• 同期ダイナミクスは、コミュニティ内相互作用とコミュニティ間相互作用を効果的に区別でき、正確な類似性ベースのクラスタリングを可能にする。
• 本手法により、従来の静的トポロジー手法で認識されていなかったより複雑なマルチスケール組織がネットワークに存在することが明らかになる。
• 合成ネットワークの結果から、本手法が既知の階層的コミュニティ構造を正確に回復できていることが確認される。
• 実世界のソーシャルメディアネットワークでは、各レベルに支配的なコアと、多数の小さな、疎に接続されたコンポーネントが存在するレイヤー構造が観察される。