[논문 리뷰] Degree-degree correlations in random graphs with heavy-tailed degrees

Nelly Litvak, Remco van der Hofstad|University of Twente Research Information|2012. 02. 14.

Hermeneutics and Narrative Identity인용 수 4

한 줄 요약

이 논문은 무거운 尾를 가진 균형 없는 네트워크에서 차수-차수 의존성에 대해 피어슨 상관계수를 사용할 경우 근본적인 결함이 있음을 보여준다: 네트워크 크기가 커질수록 비음수의 한계로 수렴하거나 무작위로 진동하게 되며, 이는 강한 반혼합 네트워크에서도 마찬가지다. 대안으로 저자들은 스피어만의 ρ와 같은 순위 상관계수를 제안하며, 이는 일관되게 의미 있는 한계로 수렴하고 네트워크 크기와 관계없이 양의 의존성과 음의 의존성을 신뢰성 있게 캡처한다.

ABSTRACT

Mixing patterns in large self-organizing networks, such as the Internet, the World Wide Web, social and biological networks are often characterized by degree-degree {dependencies} between neighbouring nodes. One of the problems with the commonly used Pearson's correlation coefficient (termed as the assortativity coefficient) is that {in disassortative networks its magnitude decreases} with the network size. This makes it impossible to compare mixing patterns, for example, in two web crawls of different size. We start with a simple model of two heavy-tailed highly correlated random variable $X$ and $Y$, and show that the sample correlation coefficient converges in distribution either to a proper random variable on $[-1,1]$, or to zero, and if $X,Y\ge 0$ then the limit is non-negative. We next show that it is non-negative in the large graph limit when the degree distribution has an infinite third moment. We consider the alternative degree-degree dependency measure, based on the Spearman's rho, and prove that it converges to an appropriate limit under very general conditions. We verify that these conditions hold in common network models, such as configuration model and Preferential Attachment model. We conclude that rank correlations provide a suitable and informative method for uncovering network mixing patterns.

연구 동기 및 목표

• 무거운 尾 차수 분포를 가진 척도 자유 네트워크에서 차수-차수 의존성을 측정하기 위해 피어슨 상관계수를 사용할 경우 근본적인 결함을 규명하는 것.
• 강한 음성 차수-차수 의존성이 존재함에도 불구하고 피어슨 상관계수가 비음수의 한계로 수렴하거나 무작위 변수로 수렴할 수 있음을 보여주는 것.
• 특히 스피어만의 ρ와 같은 순위 상관계수를 더 신뢰할 수 있는 대안으로 제안하여, 유한한 모멘트의 수에 민감하지 않고 대규모 네트워크에서 의미 있는 수렴을 보이게 하는 것.
• 구성 모델과 선호적 첨부 모델과 같은 일반적인 네트워크 모델에서 스피어만의 ρ가 잘 정의된 한계로 수렴하는 이론적 조건을 설정하는 것.
• 파워 법 차수 분포를 가진 복잡한 네트워크 맥락에서 순위 기반 의존성 측정법을 피어슨 상관계수보다 더 적합하게 사용할 수 있는 분석적 근거를 제공하는 것.

제안 방법

• 3차 모멘트가 무한대인 두 개의 극단적으로 무거운 尾를 가진 상관관계가 높은 난수변수에 대해 표본 피어슨 상관계수의 渐近적 행동을 분석적으로 연구하는 것.
• 무거운 尾 난수변수에 대한 결과를 무작위 그래프에서의 차수-차수 의존성에 적용하여, 차수가 음이 아닌데 분산이 무한대이면 피어슨 계수가 渐近적으로 비음수가 되는 것을 보여주는 것.
• 강한 음성 의존성에도 불구하고 피어슨 계수가 0으로 수렴하거나 비퇴화된 무작위 변수로 수렴하는 명시적 예시를 구성하는 것.
• 노드 차수의 순위 변환에 기반한 스피어만의 ρ를 극단적 값에 민감하지 않은 의존성 측정법으로 제안하는 것.
• 차수 분포에 대한 일반적인 조건 하에서 스피어만의 ρ가 잘 정의된 한계로 수렴함을 증명하는 것. 이 조건은 구성 모델과 선호적 첨부 모델 모두를 포함한다.
• 극단가 이론과 코풀라 이론, 특히 각도 측도 개념을 활용하여 꼬리 의존성을 해석하고 순위 상관계수 결과와 비교하는 것.

실험 결과

연구 질문

• RQ1 왜 피어슨 상관계수는 차수의 무거운 尾를 가진 대규모 척도 자유 네트워크에서 차수-차수 의존성을 신뢰성 있게 측정하지 못하는가?
• RQ2 어떤 조건에서 진정한 의존성이 강하게 음성임에도 불구하고 피어슨 상관계수가 비음수의 한계로 수렴하는가?
• RQ3 스피어만의 ρ와 같은 순위 상관계수 측정법은 다양한 네트워크 크기에서 양성 및 음성 차수-차수 의존성을 일관되게 캡처할 수 있는가?
• RQ4 파워 법 차수 분포를 가진 무작위 그래프 모델에서 스피어만의 ρ가 의미 있는 한계로 수렴하는 데 필요한 이론적 조건은 무엇인가?
• RQ5 순위 기반 측정법은 복잡한 네트워크에서 꼬리 의존성과 구조적 혼합 패턴을 피어슨 상관계수보다 어떻게 더 잘 캡처하는가?

주요 결과

• 3차 모멘트가 무한대인 척도 자유 네트워크에서 차수-차수 의존성에 대한 피어슨 상관계수는 분포상으로 비음수의 무작위 변수 또는 0으로 수렴하며, 이는 진정한 의존성이 강하게 음성임에도 불구하고 마찬가지다.
• 무거운 尾 차수를 가진 네트워크에서는 네트워크 크기가 커질수록 피어슨 계수가 무한히 진동할 수 있어, 서로 다른 크기의 네트워크 간 혼합 패턴을 비교하는 데 신뢰할 수 없게 된다.
• 일반적인 차수 분포 조건 하에서 스피어만의 ρ는 구성 모델과 선호적 첨부 모델 모두에서 잘 정의된 한계로 일관되게 수렴한다.
• 순위 상관계수의 사용은 피어슨 계수의 병리적 행동을 피하고, 차수 분포의 유한한 모멘트 수에 관계없이 안정적이고 정보적인 의존성 측정법을 제공한다.
• 논문은 차수의 무거운 尾를 가진 네트워크에서 순위 상관계수가 피어슨 상관계수보다 더 적합한 이유에 대한 분석적 근거를 제공하며, 특히 반혼합적 구조를 연구할 때 더욱 그렇다.
• 결과는 순위 상관계수 측정법이 극단적 값에 강건하며, 무한대 네트워크 한계에서도 양성 및 음성 차수-차수 의존성을 안정적으로 탐지할 수 있음을 보여준다.