[論文レビュー] Tracking Network Dynamics: a review of distances and similarity metrics.

Claire Donnat, Susan Holmes|arXiv (Cornell University)|Jan 22, 2018

Complex Network Analysis Techniques参考文献 54被引用数 14

ひとこと要約

本稿は縦断的研究におけるネットワークダイナミクスの追跡のためのグラフ距離をレビューし、ノードのアライメントに配慮した指標の重要性を強調することで、構造的変化への感受性を向上させている。本稿は、マイクロバイオームおよびfMRIデータにおける共変量の影響を検出する能力に基づいて距離の選択に関する実用的ガイダンスを提供しており、パーミュテーション検定と合成例を用いている。

ABSTRACT

From longitudinal biomedical studies to social networks, graphs have emerged as a powerful framework for describing evolving interactions between agents in complex systems. In such studies, after pre-processing, the data can be represented by a set of graphs, each representing a system's state at different points in time. The analysis of the system's dynamics depends on the selection of the appropriate analytical tools. After characterizing similarities between states, a critical step lies in the choice of a distance between graphs capable of reflecting such similarities. While the literature offers a number of distances that one could a priori choose from, their properties have been little investigated and no guidelines regarding the choice of such a distance have yet been provided. In particular, most graph distances consider that the nodes are exchangeable and do not take into account node identities. Accounting for the alignment of the graphs enables us to enhance these distances' sensitivity to perturbations in the network and detect important changes in graph dynamics. Thus the selection of an adequate metric is a decisive --yet delicate--practical matter. In the spirit of Goldenberg, Zheng and Fienberg's seminal 2009 review, the purpose of this article is to provide an overview of commonly-used graph distances and an explicit characterization of the structural changes that they are best able to capture. We use as a guiding thread to our discussion the application of these distances to the analysis of both a longitudinal microbiome dataset and a brain fMRI study. We show examples of using permutation tests to detect the effect of covariates on the graphs' variability. Synthetic examples provide intuition as to the qualities and drawbacks of the different distances. Above all, we provide some guidance for choosing one distance over another in certain types of applications.

研究の動機と目的

• 縦断的ネットワークトラバーサル解析における適切なグラフ距離の選定に関する体系的なガイドラインの欠如に対処すること。
• ノードIDを考慮した距離が、ノードを交換可能とみなすアプローチと比較して、構造的変化への感受性がどのように向上するかを評価すること。
• ネットワークトラバーサルの種類と研究課題に応じて、グラフ距離の選択に関する実用的推奨事項を提供すること。
• パーミュテーション検定が、グラフの変動に対する共変量の影響を検出するうえでどのように有効であるかを示すこと。
• 実際のデータおよび合成ネットワークリングデータを用いて、さまざまな距離の強みと限界を説明すること。

提案手法

• 特定の構造的変化への感受性に注目した、一般的に用いられるグラフ距離の体系的レビューと特徴化。
• ノードのアイデンティティを保持するノードアライメントに配慮した距離の適用により、ネットワークトラバーサルにおける摂動の検出感度を向上させること。
• 縦断的データセットにおけるグラフの変動に対する共変量の影響の有意性を評価するためのパーミュテーション検定の使用。
• 制御された構造的変化の下での、異なる距離の挙動と限界を説明するための合成ネットワークリング例の使用。
• グラフ距離の性能を評価するための2つの実世界データセット（縦断的マイクロバイオーム研究および脳fMRI研究）の分析。
• エッジ、ノード、またはコミュニティレベルのダイナミクスを捉える能力に基づいて、距離の明確な比較。

実験結果

リサーチクエスチョン

• RQ1 ノードのアイデンティティが保持される状況において、どのグラフ距離が縦断的ネットワークリングデータにおける微細な構造的変化を最も効果的に検出できるか？
• RQ2 ノードアライメントに配慮した距離は、ノードを交換可能とみなす距離と比較して、ネットワークトラバーサルの摂動を検出する際にどのように異なるか？
• RQ3 実世界のバイオメディカル応用において、ある距離指標を別のものに選ぶことの実用的影響は何か？
• RQ4 異なるグラフ距離を用いる場合、パーミュテーション検定は共変量がネットワークリングの変動に与える影響を信頼性を持って検出できるか？
• RQ5 各タイプのグラフ距離が最も適切に捉える構造的変化は何か。この理解は、手法選択にどのように役立つのか？

主な発見

• ノードアライメントに配慮したグラフ距離は、ノードを交換可能とみなす標準的な距離と比較して、構造的変化への感受性が顕著に向上している。
• グラフ編集またはアライメント操作に基づく距離は、合成ネットワークリングにおけるエッジおよびノードレベルの摂動を検出するのにより効果的である。
• 縦断的マイクロバイオームデータセットにおいて、一部の距離は他の距離が見逃した共変量の影響を顕著に示した。
• fMRI研究では、アライメントに配慮した距離が、時間経過に伴う機能的結合パターンの動的変化をよりよく捉えていた。
• パーミュテーション検定は、適切な距離指標と組み合わせることで、共変量がネットワークリングの変動に与える統計的有意な影響を効果的に同定できた。
• どの距離も普遍的に優れているわけではない。選択は、関心のある構造的変化の種類（例：エッジのシフト、コミュニティ再編成）に依存する。