[논문 리뷰] ELRUNA : Elimination Rule-based Network Alignment

Zirou Qiu, Ruslan Shaydulin외 4명|arXiv (Cornell University)|2019. 01. 01.

Complex Network Analysis Techniques참고 문헌 34인용 수 2

한 줄 요약

ELRUNA는 사전 유사성 행렬에 의존하지 않고 그래프 구조만을 활용하여 제거 규칙을 통해 반복적으로 정점 유사도를 계산하는 새로운 규칙 기반 네트워크 정렬 알고리즘입니다. 이는 높은 정확도를 달성하면서도 실행 시간이 짧고 노이즈에 대해 강건하며, 랜덤 워크 기반 국소 탐색 선택 방법인 RAWSEM 덕분에 반복 횟수를 크게 줄이고 후처리 효율성을 향상시킵니다.

ABSTRACT

Networks model a variety of complex phenomena across different domains. In many applications, one of the most essential tasks is to align two or more networks to infer the similarities between cross-network vertices and discover potential node-level correspondence. In this paper, we propose ELRUNA (Elimination rule-based network alignment), a novel network alignment algorithm that relies exclusively on the underlying graph structure. Under the guidance of the elimination rules that we defined, ELRUNA computes the similarity between a pair of cross-network vertices iteratively by accumulating the similarities between their selected neighbors. The resulting cross-network similarity matrix is then used to infer a permutation matrix that encodes the final alignment of cross-network vertices. In addition to the novel alignment algorithm, we also improve the performance of local search, a commonly used post-processing step for solving the network alignment problem, by introducing a novel selection method RAWSEM (Randomwalk based selection method) based on the propagation of the levels of mismatching (defined in the paper) of vertices across the networks. The key idea is to pass on the initial levels of mismatching of vertices throughout the entire network in a random-walk fashion. Through extensive numerical experiments on real networks, we demonstrate that ELRUNA significantly outperforms the state-of-the-art alignment methods in terms of alignment accuracy under lower or comparable running time. Moreover, ELRUNA is robust to network perturbations such that it can maintain a close to optimal objective value under a high level of noise added to the original networks. Finally, the proposed RAWSEM can further improve the alignment quality with a less number of iterations compared with the naive local search method.

연구 동기 및 목표

• 사전 유사성 행렬이나 외부 정보에 의존하지 않고 그래프 구조만을 기반으로 네트워크 정렬 방법을 개발하는 것.
• 기존 방법에서 고도수 노드로 인한 유사도 희석 문제를 해결하기 위해 제거 규칙을 도입하는 것.
• 네트워크 정렬의 국소 탐색 후처리 효율성과 효과를 향상시키는 것.
• 노이즈 또는 기타 네트워크 편향 상황에서도 정렬의 강건성을 향상시키는 것.
• 랜덤 워크를 통해 불일치 정보를 전파함으로써 국소 탐색의 수렴 속도를 가속화하는 선택 메커니즘을 설계하는 것.

제안 방법

• ELRUNA는 사용자가 정의한 제거 규칙에 따라 선택된 이웃 간의 유사도를 누적하여 반복적으로 이중 네트워크 정점 유사도를 계산합니다.
• 제거 규칙은 구조적 일致성이 높은 이웃 쌍을 우선순위로 정하여 노이즈 또는 유사하지 않은 연결의 영향을 줄입니다.
• 유사도 행렬은 반복적 전파를 통해 구축되며, 각 정점의 유사도는 이웃 정점의 유사도 점수에 기반해 업데이트됩니다.
• RAWSEM은 초기 불일치 신호를 네트워크 전역으로 전파하는 랜덤 워크 기반 선택 메커니즘을 도입하여 국소 탐색을 안내합니다.
• 최종 정렬은 유사도 행렬에 대해 최대 무게 매칭을 통해 유도된 순열 행렬에서 유도됩니다.
• RAWSEM을 통한 후처리는 기존의 단순 국소 탐색 대비 고품질 해에 도달하기 위한 반복 횟수를 줄입니다.

실험 결과

연구 질문

• RQ1 사전 유사성 행렬이나 도메인 특화 정보에 의존하지 않고도 높은 정확도를 달성할 수 있는 네트워크 정렬 방법이 존재할 수 있는가?
• RQ2 고도수 노드로 인한 유사도 희석 문제를 반복적 네트워크 정렬에서 어떻게 완화할 수 있는가?
• RQ3 랜덤 워크 기반 선택 전략이 네트워크 정렬의 국소 탐색 효율성을 향상시킬 수 있는가?
• RQ4 제안된 방법은 높은 수준의 네트워크 노이즈 또는 편향 상황에서도 어떤 성능을 보이는가?
• RQ5 RAWSEM은 국소 탐색의 반복 횟수를 얼마나 줄일 수 있으며, 정렬 품질은 어떻게 향상되는가?

주요 결과

• ELRUNA는 실제 네트워크에서 최신 기술 대비 높은 정확도를 달성하면서도 실행 시간은 낮거나 유사한 수준을 유지합니다.
• ELRUNA는 60%의 노이즈 조건에서도 거의 최적의 목적값(EC 및 S3)을 유지하여 강건성을 입증합니다.
• RAWSEM은 기준 방법 대비 국소 탐색 반복 횟수를 최대 13배 감소시켰으며, 수렴 속도가 향상되었습니다.
• RAWSEM은 기준 국소 탐색 대비 최대 13배 빠른 수렴 속도를 달성하여 일부 케이스에서는 평균 실행 시간을 6초 이상에서 0.3초 이하로 단축시켰습니다.
• 후처리 단계에서 RAWSEM은 실제 네트워크에서 EC를 최대 5.72% 향상시키고 S3를 최대 10.08% 향상시켜 기준 국소 탐색을 능가했습니다.
• 생물학적, 사회적, 협업 네트워크를 포함한 다양한 네트워크 유형에서 일관된 성능 향상을 보였습니다.