[논문 리뷰] Degree Ranking Using Local Information

Akrati Saxena, Ralucca Gera외 1명|arXiv (Cornell University)|2017. 06. 05.

Complex Network Analysis Techniques참고 문헌 47인용 수 6

한 줄 요약

이 논문은 샘플링 기법을 통해 네트워크 크기의 1%만을 사용하여 대규모 동적 네트워크에서 노드의 degree 랭크를 추정하는 네 가지 국소 알고리즘을 제안한다 — 힘의 법칙 분포, 균일 샘플링, 무작위 보행(RW, MH). RW 방법은 평균 절대 오차가 0.2% 미만을 기록하여 전체 네트워크 접근 없이도 높은 정확도와 확장성을 확보한 랭킹을 가능하게 한다.

ABSTRACT

Most real world dynamic networks are evolved very fast with time. It is not feasible to collect the entire network at any given time to study its characteristics. This creates the need to propose local algorithms to study various properties of the network. In the present work, we estimate degree rank of a node without having the entire network. The proposed methods are based on the power law degree distribution characteristic or sampling techniques. The proposed methods are simulated on synthetic networks, as well as on real world social networks. The efficiency of the proposed methods is evaluated using absolute and weighted error functions. Results show that the degree rank of a node can be estimated with high accuracy using only $1\%$ samples of the network size. The accuracy of the estimation decreases from high ranked to low ranked nodes. We further extend the proposed methods for random networks and validate their efficiency on synthetic random networks, that are generated using Erdős-Rényi model. Results show that the proposed methods can be efficiently used for random networks as well.

연구 동기 및 목표

• 대규모 동적 네트워크의 전체 수집이 degree 랭크 계산에 비현실적이므로 이를 해결한다.
• API 속도 제한과 네트워크의 동적 특성으로 인해 최소한의 네트워크 샘플만을 사용하여 국소 알고리즘을 개발한다.
• 소규모 샘플과 국소 정보만을 사용하여 스케일프리 및 무작위 네트워크 모두에서 높은 정확도의 랭킹 추정을 보장한다.
• 포아송 degree 분포를 적용하여 랜덤 네트워크로의 접근을 확장하고 효율성을 검증한다.
• 바이러스성 마케팅 및 전염병 모델링과 같은 응용 분야에서 영향력 있는 노드를 식별하기 위한 확장 가능한 솔루션을 제공한다.

제안 방법

• 스케일프리 네트워크의 힘의 법칙 degree 분포를 활용하여 평균 degree 등의 네트워크 파라미터를 사용해 O(1) 시간 내에 degree 랭크를 추정한다.
• 균일 샘플링(US)을 사용하여 노드의 소규모 대표 샘플을 수집하고 국소 랭크를 전역 랭크로 외삽한다.
• 메트로폴리스-하스팅스(MH) 및 전통적 무작위 보행(RW) 샘플링을 적용하여 최소한의 데이터 접근으로 국소 네트워크 정보를 확보한다.
• 샘플 데이터에서 전역 네트워크 파라미터(예: 평균 및 최대 degree)를 추정하여 랭킹 추정 모델에 공급한다.
• 랜덤 네트워크의 경우, 포아송 degree 분포를 적용하여 각 degree 별 예상 노드 수를 모델링하고 다음 공식을 사용해 예상 랭크를 계산한다: $ E[R_G(u)] = n \cdot e^{-d_{avg}} \sum_{j=d_u+1}^{d_{max}} \frac{(d_{avg})^j}{j!} + 1 $.
• 포아송 기반 공식에 추정된 파라미터 $ d'_{avg} $ 와 $ d'_{max} $ 를 사용하여 추정 랭크 $ R_{est}(u) $ 를 계산한다.

실험 결과

연구 질문

• RQ1 1%의 네트워크 크기만을 사용하고 국소 샘플링으로 degree 랭크를 정확하게 추정할 수 있는가?
• RQ2 고도수 노드와 저도수 노드 간에 랭킹 추정 정확도는 어떻게 달라지는가?
• RQ3 균일 샘플링, 무작위 보행, 메트로폴리스-하스팅스 중 어느 샘플링 방법이 가장 정확하고 확장 가능한 degree 랭킹 추정을 제공하는가?
• RQ4 제안된 방법은 에르되시-레니 모델로 생성된 랜덤 네트워크로 효과적으로 확장될 수 있는가?
• RQ5 다양한 네트워크 크기와 degree 분포에서 추정 오차는 어떻게 행동하는가?

주요 결과

• 무작위 보행(RW) 방법은 실제 네트워크에서 평균 절대 오차 0.16%와 평균 가중 오차 0.13%를 기록하여 1% 샘플링으로도 높은 정확도를 입증한다.
• degree 랭킹 추정 정확도는 저도수 노드보다 고도수 노드에서 훨씬 높으며, 랭킹이 낮아질수록 오차가 증가한다.
• RW 방법은 균일 샘플링(US)과 거의 유사한 성능을 보이지만, 데이터 접근 요구량이 적고 확장성이 뛰어나 실제 동적 네트워크에서 더 실용적이다.
• 포아송 degree 분포 기반 방법(PD)은 평균 degree 추정 오차에 매우 민감하여 누적 오차가 커져 RW나 US보다 신뢰성이 떨어진다.
• 랜덤 네트워크(Erdős-Rényi 모델)에서는 RW 방법이 낮은 오차율을 유지하며, degree 랭크에 따라 추정 오차가 처음에는 증가하다가 감소하는 경향을 보인다. 이는 포아송 분포의 형태 때문이며.
• 제안된 방법은 스케일프리 및 랜덤 네트워크를 포함한 다양한 네트워크 유형에서 효과적이며, 합성 및 실제 네트워크(20개의 실제 사회 네트워크 테스트)에서 일관된 성능을 보였다.