[논문 리뷰] About the Discriminant Power of the Subgraph Centrality and Other Centrality Measures About the Discriminant Power of the Subgraph Centrality and Other Centrality Measures(Working paper)

Ernesto Estrada|arXiv (Cornell University)|2013. 05. 28.

Graph theory and applications참고 문헌 7인용 수 4

한 줄 요약

이 논문은 네트워크 중심성 측정법 다섯 가지—도수, 고유벡터, 가까움, 간섭, 부분그래프 중심성—의 분별 능력을 평가하기 위해, 모든 노드에서 중심성 값이 동일한 경우(즉, 표준편차가 0인 경우)의 빈도를 측정한다. 소규모 그래프 집합에 대한 경험적 분석을 통해 부분그래프 중심성이 비등가 그래프에서 특히 뛰어난 분별 능력을 보이며, 다른 측정법보다 항상 뛰어나다는 것을 발견한다. 또한 부분그래프 중심성이 비동치 노드를 구분하지 못하는 그래프 유형에 대한 추측을 제안한다.

ABSTRACT

The discriminant power of centrality indices for the degree, eigenvector, closeness, betweenness and subgraph centrality is analyzed. It is defined by the number of graphs for which the standard deviation of the centrality of its nodes is zero. On the basis of empirical analysis it is concluded that the subgraph centrality displays better discriminant power than the rest of centralities. We also propose some new conjectures about the types of graphs for which the subgraph centrality does not discriminate among nonequivalent nodes.

연구 동기 및 목표

• 그래프 내 노드를 구분할 수 있는 다양한 네트워크 중심성 측정법의 능력을 평가하는 것.
• 노드 중심성 값의 표준편차가 0인 빈도를 분석하여 중심성 측정법의 분별 능력을 정량화하는 것.
• 부분그래프 중심성이 비등가 노드를 구분하지 못하는 데 기여하는 구조적 그래프 성질을 규명하는 것.
• 부분그래프 중심성이 비등가 노드를 구분하지 못하는 그래프 유형에 대한 추측을 제안하는 것.
• 분별 능력 측면에서 부분그래프 중심성과 도수, 고유벡터, 가까움, 간섭 중심성 간의 비교를 수행하는 것.

제안 방법

• 분별 능력을 표준편차가 0인 그래프의 수로 정의한다.
• 도수, 고유벡터, 가까움, 간섭, 부분그래프 중심성 등 다섯 가지 중심성 측정법에 이 지표를 적용한다.
• 소규모 그래프 집합에 대한 경험적 분석을 통해 중심성 분포의 표준편차가 0인 경우의 빈도를 계산한다.
• 중심성 측정법이 구분에 실패하는 그래프의 구조적 성질을 분석한다(즉, 표준편차가 0인 경우).
• 특정한 그래프 유형(예: 대칭적 또는 정규적인 구조)이 부분그래프 중심성의 분별 능력을 상실하게 할 수 있다는 이론적 추측을 제안한다.
• 특성값 분석 이론의 개념, 특히 행렬 거듭제곱의 트레이스를 활용하여 부분그래프 중심성을 모든 길이의 닫힌 산책의 합으로 수학적으로 정의한다.

실험 결과

연구 질문

• RQ1 다양한 중심성 측정법이 그래프 내 모든 노드에서 동일한 중심성 값을 생성하는 빈도는 얼마나 되는가?
• RQ2 다양한 그래프 구조에서 어떤 중심성 측정법이 가장 높은 분별 능력을 보이는가?
• RQ3 어떤 유형의 그래프가 부분그래프 중심성이 비등가 노드를 구분하지 못하게 하는가?
• RQ4 표준편차가 0이 되는 중심성 값의 발생을 유도하는 그래프의 구조적 패턴은 무엇인가?
• RQ5 부분그래프 중심성이 분별 능력을 상실하는 그래프 가족에 대해 추측을 도출할 수 있는가?

주요 결과

• 분석된 그래프 집합 전반에서 부분그래프 중심성이 도수, 고유벡터, 가까움, 간섭 중심성보다 뛰어난 분별 능력을 보였다.
• 다른 측정법에 비해 부분그래프 중심성의 중심성 값 표준편차가 0인 빈도가 유의미하게 낮아, 노드 간 구분 능력이 뛰어나다는 것을 시사한다.
• 높은 대칭성 또는 규칙성을 가진 그래프일수록 중심성 값의 표준편차가 0이 되는 경우가 더 자주 발생하며, 특히 분별 능력이 떨어지는 측정법에서 그렇다.
• 연구는 부분그래프 중심성이 비등가 노드를 구분하지 못하는 특정 그래프 가족을 규명하였으며, 이는 새로운 추측을 도출하는 데 기여한다.
• 경험적 결과는 소규모 그래프 대부분에서 부분그래프 중심성이 표준편차가 0이 아닌 상태를 유지함을 보여, 노드 분류 능력의 강건성을 확인한다.
• 분석 결과, 간섭 중심성과 가까움 중심성이 도수 또는 고유벡터 중심성보다 표준편차가 0인 경우가 더 자주 발생하는 것으로 나타났다.