[論文レビュー] Tools for higher-order network analysis

Austin R. Benson|arXiv (Cornell University)|Feb 19, 2018

Complex Network Analysis Techniques参考文献 5被引用数 3

ひとこと要約

本学位論文は、複雑系における構造的組織を解明するために、小さな部分グラフパターン（ネットワークモチーフ）を活用する高次ネットワーク解析のためのツールキットを紹介する。モチーフに基づくスペクトルクラスタリング法、一般化された高次クラスタリング係数、および動的ネットワークにおける時間的モチーフの効率的カウントを可能にするアルゴリズムを提案し、生物学的、社会的、交通網など多様な実世界データセットにおいて、機能モジュールの検出が向上することを示している。

ABSTRACT

Networks are a fundamental model of complex systems throughout the sciences, and network datasets are typically analyzed through lower-order connectivity patterns described at the level of individual nodes and edges. However, higher-order connectivity patterns captured by small subgraphs, also called network motifs, describe the fundamental structures that control and mediate the behavior of many complex systems. We develop three tools for network analysis that use higher-order connectivity patterns to gain new insights into network datasets: (1) a framework to cluster nodes into modules based on joint participation in network motifs; (2) a generalization of the clustering coefficient measurement to investigate higher-order closure patterns; and (3) a definition of network motifs for temporal networks and fast algorithms for counting them. Using these tools, we analyze data from biology, ecology, economics, neuroscience, online social networks, scientific collaborations, telecommunications, transportation, and the World Wide Web.

研究の動機と目的

• 従来のネットワーク解析が二重接続に限定されるという限界を克服し、高次接続パターンを捉える手法を開発すること。
• 再発する部分グラフパターン（モチーフ）におけるノードの共同参加に基づいて、ノードをクラスタリングすることで機能モジュールを同定すること。
• クラスタリング係数の概念を高次構造へ一般化し、三角形を越えた複雑な閉じ込みパターンの検出を可能にすること。
• 時間的ネットワークへのモチーフ解析を拡張し、δ-時間的モチーフを定義し、大規模データセットにスケーリング可能な高速カウントアルゴリズムを構築すること。
• 神経ネットワークからソーシャルメディアに至る多様なシステムにおける集団的・高次の相互作用に注目することで、実用的でスケーラブルなツールを提供し、洞察を明らかにすること。

提案手法

• モチーフ隣接行列とモチーフラプラシアンを用いてモチーフコンductanceを定義するモチーフベースのスペクトルクラスタリング法を開発し、共有されるモチーフ参加に基づくコミュニティ検出を可能にする。
• 標準クラスタリング係数を一般化して、kノードモチーフ（例：4ノードモチーフ）における閉じ込みの確率を測定する高次クラスタリング係数を導入し、より豊富な構造的依存関係を捉える。
• 時間制約付きのエッジ列を有する部分グラフとして、δ-時間的ネットワークモチーフを形式的に定義する。ここで、モチーフ内のすべてのエッジが時間窓δ内にある。
• 全列挙を回避するため、組み合わせ的および行列ベースの最適化を用いて3ノード3エッジのスターモチーフおよび三角形モチーフの高速カウントアルゴリズムを設計する。
• インダクティブな静的モチーフごとに並列化する一般アルゴリズムを採用し、ノードおよびエッジレベルの集約を用いてノードごとのモチーフ参加統計を計算する。
• 局所的な高次クラスタリングを可能にするモチーフベースのパーソナライズドPageRankを適用し、特定のノード周辺のモチーフ参加の局所的分析を実現する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして高次接続パターン（モチーフ）を用いることで、従来のエッジベースのクラスタリングよりも意味的・意味のあるネットワークモジュールを定義できるか？
• RQ2 高次クラスタリング係数は、標準クラスタリング係数が見逃す構造的パターンを明らかにできるか？
• RQ3 時間的順序と期間制約を保持しつつ、時間的ネットワークにおけるモチーフを効果的かつ効率的に定義・カウントする方法は何か？
• RQ4 モチーフベースのクラスタリングおよび高次係数は、生物学的または機能的に関連するサブ構造を検出する点で、標準ネットワーク解析手法に比べて優れているか？
• RQ5 高速なモチーフカウントアルゴリズムは、統計的有用性を保持したまま、実世界の大規模ネットワークにどの程度スケーリングできるか？

主な発見

• モチーフベースのスペクトルクラスタリング法は、*S. cerevisiae* の転写ネットワークにおいて生物学的に関連するモジュールを的確に同定し、エッジベース手法よりも高い精度で一貫したフィードフォワードループを検出できた。
• 一般化された高次クラスタリング係数は、*C. elegans* の神経系ネットワークにおいて顕著な閉じ込みパターンを明らかにした。特にバイファンモチーフは強い閉じ込みを示し、機能的統合を示唆した。
• 3ノード3エッジモチーフの高速カウントアルゴリズムは、線形またはほぼ線形の時間計算量を達成し、英語WikipediaやTwitterフォロワー網といった大規模ネットワークにおけるスケーラブルな解析を可能にした。
• フロリダ・ベイの食物連鎖ネットワークでは、モチーフM6（3ノードのフィードフォワードループ）が顕著に過剰に出現しており、栄養段階の安定化に寄与している可能性を示唆した。
• 時間的モチーフカウントフレームワークは、電話通話およびWikipedia編集データにおいて主要な構造的パターンを検出でき、モチーフカウントがバースト性のある相互作用パターンや情報伝播ダイナミクスを明らかにした。
• 一般モチーフカウントアルゴリズムにより、ノードが特定のモチーフタイプにおいてどれだけの回数、ソースまたは中心として機能しているかを数えるノードごとのモチーフ参加統計が可能となり、ネットワーク解析に役立つ特徴量が得られた。