[논문 리뷰] Dynamic Network Embeddings for Network Evolution Analysis

Chuanchang Chen, Yubo Tao외 1명|arXiv (Cornell University)|2019. 06. 24.

Complex Network Analysis Techniques참고 문헌 37인용 수 6

한 줄 요약

이 논문은 이산 시간 동적 네트워크 임bedding에서 구조적 유사성과 시간 연속성을 유지하기 위해 랜덤 워크와 동적 베르누이 임베딩을 사용하는 동적 네트워크 임베딩 방법을 제안한다. 이는 임베딩 간의 정렬이 필요 없이도 링크 예측과 변화하는 노드 탐지에서 최신 기술(SOTA) 성능을 달성한다.

ABSTRACT

Network embeddings learn to represent nodes as low-dimensional vectors to preserve the proximity between nodes and communities of the network for network analysis. The temporal edges (e.g., relationships, contacts, and emails) in dynamic networks are important for network evolution analysis, but few existing methods in network embeddings can capture the dynamic information from temporal edges. In this paper, we propose a novel dynamic network embedding method to analyze evolution patterns of dynamic networks effectively. Our method uses random walk to keep the proximity between nodes and applies dynamic Bernoulli embeddings to train discrete-time network embeddings in the same vector space without alignments to preserve the temporal continuity of stable nodes. We compare our method with several state-of-the-art methods by link prediction and evolving node detection, and the experiments demonstrate that our method generally has better performance in these tasks. Our method is further verified by two real-world dynamic networks via detecting evolving nodes and visualizing their temporal trajectories in the embedded space.

연구 동기 및 목표

• 변하는 네트워크에서 시간적 동역학을 포착하는 데에 한계가 있는 정적 네트워크 임베딩 방법의 문제점을 해결한다.
• 동적 네트워크에서 이산 시간 단위 간에 안정된 노드의 노드 유사성과 시간 연속성을 유지한다.
• 시간 단위 간의 복잡한 임베딩 정렬이 필요 없이 효과적인 변화 패턴 분석을 가능하게 한다.
• 링크 예측 및 변화하는 노드 탐지와 같은 작업에서 향상된 성능을 지원한다.
• 변화하는 노드의 시간적 궤적을 시각화하여 의미 있는 네트워크 변화 패턴을 드러낸다.

제안 방법

• 각 시간 단위에서 노드 간의 구조적 유사성을 유지하기 위해 동적 네트워크에 랜덤 워크를 적용한다.
• 정렬 없이도 공유된 벡터 공간에서 시간별로 노드 표현을 학습하기 위해 동적 베르누이 임베딩을 사용한다.
• 연속된 시간 단위에서 유사한 임베딩을 유지하도록 모델을 훈련하여 안정된 노드의 시간 연속성을 확보한다.
• 고정 간격과 겹침 비율을 갖는 슬라이딩 윈도우 방식을 사용하여 이산 시간 네트워크 스냅샷을 구성한다.
• 시간적 간선 동역학을 모델링하기 위해 노이즈 대비 추정 목적함수를 사용하여 임베딩 공간을 최적화한다.
• 상호작용의 연도순 순서를 존중하는 시간 순서 워크 전략을 통해 시간적 간선 정보를 통합한다.

실험 결과

연구 질문

• RQ1 동적 네트워크 임베딩 방법은 이산 시간 동적 네트워크에서 구조적 유사성과 시간 연속성을 동시에 유지할 수 있는가?
• RQ2 제안된 방법은 링크 예측 과제에서 최신 기술(SOTA) 정적 및 동적 임베딩 방법과 비교해 어떻게 성능을 냈는가?
• RQ3 이 방법은 시간이 지남에 따라 변화하는 노드를 얼마나 잘 탐지하고 시각화할 수 있는가?
• RQ4 실제 네트워크에서 노드 이동 또는 역할 변화와 같은 의미 있는 변화 패턴을 드러낼 수 있는가?
• RQ5 임베딩 정렬이 없는 것이 동적 네트워크 분석에서 성능과 견고성 향상에 기여하는가?

주요 결과

• 제안된 방법은 최신 기술(SOTA) 정적 및 동적 네트워크 임베딩 방법보다 링크 예측에서 뛰어난 성능을 달성한다.
• 기존 방법보다 변화하는 노드 탐지에서 뛰어난 성능을 보이며, 시간이 지남에 따라 나타나거나 사라지거나 연결 패턴이 변화하는 노드를 성공적으로 식별한다.
• 학교 접촉 네트워크에서는 방법이 학교 일정과 일치하는 변화 패턴을 정확히 포착한다. 예를 들어, 휴식 시간과 점심 시간을 포함한다.
• 궤적 시각화 결과, 학생 201과 학생 74가 반 간 이동하고 점심 시간에 상호작용하는 것으로 나타나, 사회적 군집화와 우정 형성 가능성을 시사한다.
• 이메일 네트워크에서는 연구원 90이 초기에 연결이 적은 신규 참가자로 나타나 후에 새로운 부서로 이동하는 것을 식별하고, 연구원 328은 시간이 지남에 따라 연결성이 증가하는 핵심 멤버로 부상한다.
• 비활성 노드에 대해 시간 단위 간에 안정된 임베딩을 유지함으로써, 정렬 없이도 효과적인 시간 연속성 유지가 가능함을 보여준다.