[論文レビュー] Tunable Eigenvector-Based Centralities for Multiplex and Temporal Networks

Dane Taylor, Mason A. Porter+1 more|arXiv (Cornell University)|Apr 3, 2019

Complex Network Analysis Techniques被引用数 4

ひとこと要約

本論文は、重み付き層間隣接行列 $\tilde{\bm{A}}$ を用いて層固有の中心性行列を結合する超中心性行列 $\tilde{\bm{C}}$ を導入することで、マルチプレックスネットワークおよび時系列ネットワークにおける調整可能な固有ベクトル中心性フレームワークを提案する。主な貢献は、弱い結合および強い結合の極限において、超中心性順位が $\tilde{\bm{A}}$ の主左および主右固有ベクトルに強く依存することを示す特異摂動解析であり、多層ネットワークの種類にかかわらず中心性分析を統一する。

ABSTRACT

Characterizing the importances (i.e., centralities) of nodes in social, biological, and technological networks is a core topic in both network science and data science. We present a linear-algebraic framework that generalizes eigenvector-based centralities, including PageRank and hub/authority scores, to provide a common framework for two popular classes of multilayer networks: multiplex networks (which have layers that encode different types of relationships) and temporal networks (in which the relationships change over time). Our approach involves the study of joint, marginal, and conditional "supracentralities" that one can calculate from the dominant eigenvector of a supracentrality matrix [Taylor et al., 2017], which couples centrality matrices that are associated with individual network layers. We extend this prior work (which was restricted to temporal networks with layers that are coupled by adjacent-in-time coupling) by allowing the layers to be coupled through a (possibly asymmetric) interlayer-adjacency matrix $\ ilde{{\\bf A}}$, where the entry $\ ilde{A}_{tt'} \\geq 0$ encodes the coupling between layers $t$ and $t'$. Our framework provides a unifying foundation for centrality analysis of multiplex and temporal networks; it also illustrates a complicated dependency of the supracentralities on the topology and weights of interlayer coupling. By scaling $\ ilde{{\\bf A}}$ by an interlayer-coupling strength $\\omega\\ge0$ and developing a singular perturbation theory for the limits of weak ($\\omega\ o0^+$) and strong coupling ($\\omega\ o\\infty$), we also reveal an interesting dependence of supracentralities on the dominant left and right eigenvectors of $\ ilde{{\\bf A}}$.

研究の動機と目的

• マルチプレックスおよび時系列ネットワークにおける固有ベクトル中心性測度（例：PageRank やハブ/オーソリティスコア）を、単一の数学的枠組みに統一すること。
• 時系列ネットワークに関する先行研究を一般化し、重み付き層間隣接行列 $\tilde{\bm{A}}$ を用いて任意（非対称を含む）の層間結合を可能にする。
• 超中心性順位が層間結合のトポロジーおよび重みにどのように依存するかを、特に弱い結合および強い結合の極限において分析すること。
• 層間結合強度 $\omega$ の関数として、超中心性行列の主固有ベクトルに対する特異摂動理論を構築すること。
• 実世界データ（航空ネットワークおよび学術採用ネットワークを含む）を用いた理論的および実証的検証の提供。

提案手法

• 結合強度 $\omega$ を小さなパラメータ $\epsilon$ を用いてスケーリングする重み付き層間隣接行列 $\tilde{\bm{A}}$ を介して、個々の層中心性行列を結合する超中心性行列 $\tilde{\mathbb{C}}(\epsilon)$ を形式化する。
• $\tilde{\mathbb{C}}(\epsilon)$ の主固有ベクトル問題に特異摂動理論を適用し、固有値 $\tilde{\lambda}_{\rm{max}}(\epsilon)$ および固有ベクトル $\tilde{\mathbbm{u}}(\epsilon)$, $\tilde{\mathbbm{v}}(\epsilon)$ を $\epsilon$ のべき級数に展開する。
• 右および左の主固有ベクトルの零次および一次方程式を、結合されていない層行列のスペクトル性質および結合行列 $\tilde{\bm{A}}$ を用いて導出する。
• 左および右の主固有空間への射影により可解条件を確立し、係数ベクトル $\tilde{\bm{\alpha}}$ および $\tilde{\bm{\beta}}$ の固有値問題を導出する。
• 得られた漸近的展開を用いて、弱い結合および強い結合の極限における超中心性順位が $\tilde{\bm{A}}$ の主左および主右固有ベクトルによって決定されることを示す。
• 2つの実データセット（ヨーロッパの航空ネットワークマルチプレックスネットワークおよび米国大学における学術採用と修了の時系列ネットワーク）を用いてフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 任意の層間結合を許容するマルチプレックスおよび時系列ネットワークにおける固有ベクトル中心性をどのように一般化できるか？
• RQ2 超中心性順位が層間隣接行列 $\tilde{\bm{A}}$ の構造および重みにどのように依存するか？
• RQ3 弱い結合および強い結合の極限において、超中心性順位はどのように振る舞うか？
• RQ4 $\tilde{\bm{A}}$ の主左および主右固有ベクトルが、超中心性ベクトルの漸近的挙動を決定する上で果たす役割は何か？
• RQ5 提案されたフレームワークは、多層ネットワークにおける既存の中心性測度（例：PageRank やハブ/オーソリティスコア）を統一的かつ拡張的に扱えるか？

主な発見

• 結合が弱い極限（$\omega \to 0^+$）における超中心性ベクトルは、層間隣接行列 $\tilde{\bm{A}}$ の主右固有ベクトルによって漸近的に決定される。
• 結合が強い極限（$\omega \to \infty$）における超中心性ベクトルは、層間隣接行列 $\tilde{\bm{A}}$ の主左固有ベクトルによって漸近的に決定される。
• 主固有値 $\tilde{\lambda}_{\rm{max}}(\epsilon)$ の一次補正項は、$\tilde{\bm{A}}$ の主左および主右固有ベクトル間の内積に依存する。
• フレームワークは、個々の層の中心性が固定されていても、層間結合のトポロジーに非自明な依存関係があることを明らかにした。
• ヨーロッパの航空ネットワークへの応用では、層間結合の強度および構造が、特にマルチモーダルな接続を持つハブのノード順位に顕著な影響を与えることが示された。
• 学術採用ネットワークにおいては、フレームワークにより重要な時系列的遷移点や、結合強度の変化に伴い中心性が著しく変化する主要な機関が特定され、動的な影響パターンが浮き彫りになった。