[논문 리뷰] Efficient Algorithms to Mine Maximal Span-Trusses From Temporal Graphs

Quintino Francesco Lotito, Alberto Montresor|arXiv (Cornell University)|2020. 09. 03.

Data Mining Algorithms and Applications참고 문헌 19인용 수 5

한 줄 요약

이 논문은 하위그래프의 조밀도($k$)와 시간 간격($\Delta$)을 모두 반영하는 시간적 일반화된 $k$-truss인 $(k,\Delta)$-truss(스팬트러스)를 소개한다. 실세계 데이터셋인 wikitalk에서 기준 방법 대비 최대 10배의 속도 향상을 달성하기 위해 스트리밍 및 휴리스틱 최적화 기법을 활용한 효율적인 알고리즘을 제안한다.

ABSTRACT

Over the last decade, there has been an increasing interest in temporal graphs, pushed by a growing availability of temporally-annotated network data coming from social, biological and financial networks. Despite the importance of analyzing complex temporal networks, there is a huge gap between the set of definitions, algorithms and tools available to study large static graphs and the ones available for temporal graphs. An important task in temporal graph analysis is mining dense structures, i.e., identifying high-density subgraphs together with the span in which this high density is observed. In this paper, we introduce the concept of $(k, Δ)$-truss (span-truss) in temporal graphs, a temporal generalization of the $k$-truss, in which $k$ captures the information about the density and $Δ$ captures the time span in which this density holds. We then propose novel and efficient algorithms to identify maximal span-trusses, namely the ones not dominated by any other span-truss neither in the order $k$ nor in the interval $Δ$, and evaluate them on a number of public available datasets.

연구 동기 및 목표

• 사회, 생물학적, 금융 네트워크 데이터의 증가로 인해 시간적 그래프에서 조밀한 하위그래프를 탐색하기 위한 효율적인 도구가 부족한 문제를 해결한다.
• 조직적인 공동체가 시간에 걸쳐 어떻게 유지되는지를 반영하기 위해 조밀도($k$)와 시간 범위($\Delta$)를 통합한 새로운 시간적 조밀한 하위그래프 구조인 $(k,\Delta)$-truss를 정의한다.
• 다른 스팬트러스에 의해 $k$ 또는 $\Delta$ 측면에서 지배되지 않는 최대 스팬트러스를 발견하기 위해 효율적인 알고리즘을 개발하여 동적 네트워크의 확장 가능한 분석을 가능하게 한다.
• 특히 대규모 시간적 그래프에서 반복적인 트러스 분해를 방지하기 위해 스트리밍 엣지 지지도 계산 및 휴리스틱 기반 최적화를 통해 성능을 향상시킨다.

제안 방법

• 각 엣지가 시간 창 $\Delta$ 내에서 최소 $k$개의 삼각형에 속해야 하는 $(k,\Delta)$-truss를 $k$-truss의 시간적 확장으로 도입한다.
• 모든 가능한 $k$ 및 $\Delta$ 조합을 순회하고 트러스 조건을 검증함으로써 모든 스팬트러스를 계산하는 기준 알고리즘을 설계한다.
• 시간 순서에 따라 엣지 지지도를 점진적으로 계산하는 스트리밍 알고리즘을 구현하여 중복 재계산을 줄이고 효율성을 향상시킨다.
• 트러스 성질의 경계를 활용해 불필요한 트러스 분해를 건너뛰는 휴리스틱을 도입하여 특정 데이터셋에서 계산 오버헤드를 감소시킨다.
• 두 단계 접근법을 사용한다: 첫째, 효율적인 엣지 지지도 추적을 통해 후보 스팬트러스를 식별하고, 둘째, $k$ 및 $\Delta$ 측면에서 지배 여부를 검증하여 최대성 여부를 확인한다.
• 시간 순서를 활용하고 트러스 조건을 충족하지 못할 경우 조기에 종료하는 전략을 적용하여, 특히 희박하거나 저조밀도 영역에서 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 동적 네트워크에서 조밀도와 시간 지속성을 동시에 반영하기 위해 $k$-truss 개념을 어떻게 일반화할 수 있는가?
• RQ2 중복 계산 없이 모든 최대 스팬트러스를 탐색하기 위해 어떤 효율적인 알고리즘 기법을 사용할 수 있는가?
• RQ3 스트리밍 엣지 지지도 계산은 대규모 시간적 그래프에서 성능에 어떻게 기여하는가?
• RQ4 휴리스틱 기반의 가지치기 전략은 어떤 상황에서 정확성을 유지하면서도 런타임을 크게 줄이는가?
• RQ5 제안된 알고리즘은 런타임과 트러스 발견 능력 측면에서 다양한 실세계 시간적 데이터셋에서 어떻게 확장되는가?

주요 결과

• 제안된 스트리밍 알고리즘이 기준 방법 대비 wikitalk 데이터셋에서 실행 시간을 최대 10배까지 단축시켜 뚜렷한 성능 향상을 입증했다.
• 휴리스틱 기반 최적화는 스트리밍 알고리즘 대비 wikitalk 데이터셋에서 런타임을 추가로 절반으로 줄였으며, 고조밀도 영역에서 높은 성능 향상을 보였다.
• 평균적으로 스트리밍 접근법은 모든 데이터셋에서 기준 방법보다 끈적임으로써 실행 시간을 일관되게 감소시켰다.
• 일부 데이터셋에서는 휴리스틱이 최소한의 오버헤드를 유발했지만, 다른 데이터셋에서는 상당한 속도 향상을 제공하여 광범위한 적용에 대한 정당성을 입증했다.
• 최대 스팬트러스 탐색 프레임워크는 다양한 실세계 시간적 네트워크에서 조밀하고 시간적으로 일관된 하위그래프를 성공적으로 식별하여, 동적 네트워크 분석에 실용성을 입증했다.
• 결과적으로 스트리밍 계산과 지능적인 가지치기 전략을 조합함으로써 의미 있는 시간적 조밀한 구조를 확장 가능하고 효율적으로 탐지할 수 있음을 확인했다.