[논문 리뷰] Characterizing the structural diversity of complex networks across domains

Kansuke Ikehara, Aaron Clauset|arXiv (Cornell University)|2017. 10. 31.

Complex Network Analysis Techniques참고 문헌 1인용 수 17

한 줄 요약

이 연구는 기계학습을 활용하여 다양한 분야의 실제 네트워크 986개와 합성 네트워크 575개를 분석하여 구조적 유사성과 차이를 규명한다. 분석 결과, 기능적, 제약 기반, 또는 생성 메커니즘의 공통성으로 인해 생물학적, 기술적, 사회적 네트워크와 같은 특정 카테고리 간에 네트워크 구조만으로는 신뢰성 있게 구분할 수 없음을 확인하였으며, 이는 원천(생물학적 대비 공학적)이 네트워크 구조를 결정한다는 가정에 도전한다.

ABSTRACT

The structure of complex networks has been of interest in many scientific and engineering disciplines over the decades. A number of studies in the field have been focused on finding the common properties among different kinds of networks such as heavy-tail degree distribution, small-worldness and modular structure and they have tried to establish a theory of structural universality in complex networks. However, there is no comprehensive study of network structure across a diverse set of domains in order to explain the structural diversity we observe in the real-world networks. In this paper, we study 986 real-world networks of diverse domains ranging from ecological food webs to online social networks along with 575 networks generated from four popular network models. Our study utilizes a number of machine learning techniques such as random forest and confusion matrix in order to show the relationships among network domains in terms of network structure. Our results indicate that there are some partitions of network categories in which networks are hard to distinguish based purely on network structure. We have found that these partitions of network categories tend to have similar underlying functions, constraints and/or generative mechanisms of networks even though networks in the same partition have different origins, e.g., biological processes, results of engineering by human being, etc. This suggests that the origin of a network, whether it's biological, technological or social, may not necessarily be a decisive factor of the formation of similar network structure. Our findings shed light on the possible direction along which we could uncover the hidden principles for the structural diversity of complex networks.

연구 동기 및 목표

• 생물학적, 기술적, 사회적 시스템과 같은 서로 다른 도메인의 네트워크를 구조적 특성만으로 구분할 수 있는지 조사하는 것.
• 네트워크 하위 도메인을 구분하는 데 기여하는 구조적 특징을 규명하고, 복잡한 네트워크의 구조적 다양성 배경에 숨겨진 원리를 밝히는 것.
• 네트워크 기원(예: 생물학적, 공학적, 사회적)이 구조적 유사성 결정에 결정적인 요소인지, 아니면 공통된 기능과 제약 조건이 더 큰 영향을 미치는지 평가하는 것.
• 현재 사용 중인 구조적 특징들이 네트워크 다양성을 얼마나 잘 포괄하는지 평가하고, 기계학습이 숨겨진 생성 메커니즘을 드러내는 데의 잠재력을 탐색하는 것.

제안 방법

• 생태계 식량망, 온라인 소셜 네트워크, 대사 네트워크, 인프라 시스템 등을 포함한 15개 도메인의 실제 네트워크 총 986개를 수집하고 분석하였다.
• 4개의 대표적인 네트워크 모델(예: 선호적 연결, 무작위 네트워크 등)을 사용하여 합성 네트워크 총 575개를 생성하여 구조적 비교의 기준점으로 활용하였다.
• 도메인 간 네트워크의 구분 가능성을 평가하기 위해 8개의 구조적 특징(예: 차수 분포, 군집 계수, 경로 길이 등)을 기반으로 랜덤 포레스트 분류기를 적용하였다.
• 혼동 행렬을 활용하여 기원은 다를지라도 구조적으로 구분이 어려운 네트워크 카테고리의 군집을 식별하였다.
• 네트워크 커뮤니티 탐지 기법을 적용하여 구조적 그룹화를 식별하고 분류 결과의 탄력성을 검증하였다.
• 특징 중요도와 모델 성능 평가를 통해 다양한 도메인 간 구조적 특징의 예측 능력을 분석하였다.

실험 결과

연구 질문

• RQ1 다양한 도메인 간 네트워크 하위 도메인을 가장 효과적으로 구분하는 구조적 특징는 무엇인가?
• RQ2 네트워크 구조만으로 서로 다른 기원(예: 생물학적 대비 기술적)의 네트워크를 어느 정도로 신뢰성 있게 구분할 수 있는가?
• RQ3 기능적 또는 생성 기원이 다를지라도 구조적으로 구분이 어려운 네트워크 카테고리가 존재하는가?
• RQ4 기능성, 물리적 제약, 또는 생성 메커니즘과 같은 기초 원리가 보이지 않는 네트워크 유형 간 유사한 구조적 특징을 설명하는 데 기여하는가?
• RQ5 합성 네트워크 모델과 실제 네트워크는 구조적 특징 공간 점유도 측면에서 어떻게 비교되는가?

주요 결과

• 생물학적 네트워크인 곰팡이 네트워크와 공학적 네트워크인 물 공급망 간에 유사한 구조적 특징이 발견되어 공통된 기능적 또는 설계 제약이 존재함을 시사한다.
• 랜덤 포레스트 분류기가 단백질 상호작용 네트워크와 연결망 네트워크와 같은 일부 네트워크 카테고리 간에 신뢰성 있게 구분하지 못함을 확인하여, 기원이 다를지라도 구조적으로 구분이 어려운 경우가 있음을 보여준다.
• 혼동 행렬 분석 결과, 공통된 기능 또는 생성 메커니즘을 가진 네트워크는 기원이 다를지라도 구조적 특징 공간 내에서 군집화되어 있음을 확인하였다.
• 실제 네트워크의 상당 부분이 이론적으로 가능한 구조적 특징 공간 내 특정 영역에만 점유되어 있어 효율성 또는 내성 강도 향상을 위한 최적화가 이루어졌음을 시사한다.
• 이 연구에서는 네트워크 기원(생물학적, 기술적, 사회적)이 구조적 유사성 결정에 결정적인 요소가 아니며, 공통된 기능성과 제약 조건이 더 중요한 역할을 한다는 것을 발견하였다.
• 본 연구에서 사용된 특징 공간(8개의 구조적 특징)은 네트워크 다양성을 완전히 포괄하기에 부족할 수 있으며, 추가적인 척도 불변 특징이 숨겨진 패턴을 더 드러내는 데 기여할 수 있음을 시사한다.