[논문 리뷰] A Faster Method to Estimate Closeness Centrality Ranking

Akrati Saxena, Ralucca Gera외 1명|arXiv (Cornell University)|2017. 06. 07.

Complex Network Analysis Techniques참고 문헌 32인용 수 14

한 줄 요약

이 논문은 스케일프리 네트워크에서 역순위(reverse rank)와 중심성 간의 시그모이드 유사 관계를 활용하여 $O(m)$ 시간에 노드의 가까움 중심성 순위를 추정하는 히우리스틱 및 랜덤 샘플링 방법을 제안한다. 고전적 $O(nm)$ 방법에 비해 상당한 속도 향상을 이루었으며, 국소적 노드 성질을 이용한 시그모이드 곡선 근사와 균일 샘플링을 통해 오차율이 실세계 네트워크에서 최소 1.47(가중 오차)에 불과하다.

ABSTRACT

Closeness centrality is one way of measuring how central a node is in the given network. The closeness centrality measure assigns a centrality value to each node based on its accessibility to the whole network. In real life applications, we are mainly interested in ranking nodes based on their centrality values. The classical method to compute the rank of a node first computes the closeness centrality of all nodes and then compares them to get its rank. Its time complexity is $O(n \cdot m + n)$, where $n$ represents total number of nodes, and $m$ represents total number of edges in the network. In the present work, we propose a heuristic method to fast estimate the closeness rank of a node in $O(α\cdot m)$ time complexity, where $α= 3$. We also propose an extended improved method using uniform sampling technique. This method better estimates the rank and it has the time complexity $O(α\cdot m)$, where $α\approx 10-100$. This is an excellent improvement over the classical centrality ranking method. The efficiency of the proposed methods is verified on real world scale-free social networks using absolute and weighted error functions.

연구 동기 및 목표

• 고전적 가까움 중심성 순위 계산의 높은 계산 비용($O(nm)$)으로 인해 대규모 동적 네트워크에서는 비현실적이므로 이를 해결하고자 한다.
• 실세계 스케일프리 네트워크의 구조적 특성을 활용하여 중심성이 가장자리에서 중심으로 향할수록 시그모이드 패턴을 보임을 규명하고자 한다.
• 모든 노드의 중심성을 계산하지 않고도 빠르고 확장 가능한 순위 추정 방법을 개발하고자 한다.
• 균일 샘플링을 활용하여 시그모이드 곡선의 핵심 파라미터를 추정함으로써 정확도를 향상시키고자 한다.
• 대규모 동적 네트워크(예: 소셜 네트워크 및 통신 네트워크)에서 효율적이고 실시간 순위 매기기가 가능하도록 하고자 한다.

제안 방법

• 스케일프리 네트워크에서 관측된 시그모이드 패턴을 활용하여 역순위 대비 중심성 간의 관계에 로지스틱 곡선을 피팅하는 히우리스틱 방법을 제안하며, 이는 전체 중심성 계산 없이도 순위를 추정할 수 있도록 한다.
• 레벤버그-마르카르트 방법을 통해 계산된 최적의 로지스틱 곡선 파라미터를 사용하여 식(3)을 통해 노드 순위를 추정함으로써 전체 중심성 계산을 피한다.
• 중간 중심성($c_{\text{mid}}$)을 추정하기 위해 $k$개의 노드를 균일하게 샘플링하는 개선된 랜덤 히우리스틱 방법을 도입하여 파라미터 추정 오차를 감소시킨다.
• 샘플된 노드에 대해 너비 우선 탐색(BFT)을 수행하여 국소 중심성 값을 계산함으로써 $O(k \cdot m)$의 복잡도를 확보하며, $k \ll n$일 경우 $O(m)$이 된다.
• 정확도 평가를 위해 절대 오차 및 가중 오차 함수를 적용하였으며, 결과는 40회의 반복 평균을 통해 안정성을 확보하였다.
• 네트워크 API를 활용해 BFT 및 중심성 계산을 실시간으로 수행함으로써 전체 네트워크를 저장할 필요 없이도 가능하게 한다.

실험 결과

연구 질문

• RQ1 역순위 대비 중심성 간의 시그모이드 유사 패턴을 활용하여 전체 노드의 중심성 계산 없이도 순위 추정이 가능한가?
• RQ2 구조적 특성과 곡선 피팅을 이용한 중심성 순위 추정의 시간 복잡도는 얼마이며, 고전적 방법과 비교해 볼 때 어떻게 다른가?
• RQ3 노드의 균일 샘플링은 저비용 계산을 유지하면서도 순위 추정 정확도를 어떻게 향상시키는가?
• RQ4 네트워크의 밀도가 시그모이드 곡선의 기울기에 어떤 영향을 미치며, 이를 파라미터 추정 개선에 활용할 수 있는가?
• RQ5 제안된 방법은 전체 네트워크 저장 없이도 대규모 동적 네트워크(예: 온라인 소셜 네트워크)에 효율적으로 적용 가능한가?

주요 결과

• 실세계 스케일프리 네트워크에서 역순위 대비 중심성 간의 관계는 시그모이드 곡선을 따르며, 이는 효율적인 순위 추정이 가능함을 시사한다.
• 히우리스틱 방법은 $O(m)$의 시간 복잡도를 달성하여 고전적 $O(nm)$ 방법에 비해 상당한 향상을 이룬다.
• 개선된 랜덤 히우리스틱 방법은 $k=50$ 샘플을 사용하여 Slashdot 네트워크에서 최소 1.47의 가중 오차, Twitter에서는 1.96의 가중 오차를 기록하였다.
• 레벤버그-마르카르트 방법을 1000회 반복 및 0.0001의 정확도 허용 오차로 계산한 최적의 로지스틱 곡선 파라미터는 매우 정확한 순위 추정을 가능하게 한다.
• 이 방법은 Gowalla, Slashdot, Twitter 등 다양한 네트워크에서 낮은 절대 오차 및 가중 오차를 기록하며 효율성이 검증되었다.
• 이 방법은 확장 가능하며, 전체 네트워크를 저장할 필요 없이 노드 수준의 BFT 결과를 API를 통해 쿼리하기만 하므로 동적 네트워크에 적합하다.