[논문 리뷰] Graph Distance from the Topological View of Non-backtracking Cycles

Leo Torres, Pablo Suárez–Serrato외 1명|arXiv (Cornell University)|2018. 07. 20.

Topological and Geometric Data Analysis참고 문헌 41인용 수 4

한 줄 요약

이 논문은 비백트래킹 순환의 길이 스펙트럼에 기반한 원칙적이고 해석 가능하며 효율적인 그래프 거리 측정법인 절단된 비백트래킹 스펙트럼 거리(TNBSD)를 소개한다. 비백트래킹 행렬의 고유값과 자유 호모토피 클래스를 통한 위상적 해석을 활용하여, TNBSD는 실제 네트워크와 합성 네트워크를 효과적으로 구분하며, 시각화, 클러스터링, 이상 탐지에서 뛰어난 성능을 보인다.

ABSTRACT

Whether comparing networks to each other or to random expectation, measuring dissimilarity is essential to understanding the complex phenomena under study. However, determining the structural dissimilarity between networks is an ill-defined problem, as there is no canonical way to compare two networks. Indeed, many of the existing approaches for network comparison differ in their heuristics, efficiency, interpretability, and theoretical soundness. Thus, having a notion of distance that is built on theoretically robust first principles and that is interpretable with respect to features ubiquitous in complex networks would allow for a meaningful comparison between different networks. Here we introduce a theoretically sound and efficient new measure of graph distance, based on the "length spectrum" function from algebraic topology, which compares the structure of two undirected, unweighted graphs by considering their non-backtracking cycles. We show how this distance relates to structural features such as presence of hubs and triangles through the behavior of the eigenvalues of the so-called non-backtracking matrix, and we showcase its ability to discriminate between networks in both real and synthetic data sets. By taking a topological interpretation of non-backtracking cycles, this work presents a novel application of Topological Data Analysis to the study of complex networks.

연구 동기 및 목표

• 복잡한 네트워크 간의 구조적 이질성 측정을 위한 표준화되고 이론적으로 탄탄한 방법의 부재를 해결한다.
• 허브와 삼각형과 같은 핵심 네트워크 특성에 대해 설명 가능한 그래프 거리 측정법을 개발한다.
• 비백트래킹 행렬의 몇몇 가장 큰 고유값 계산에만 의존함으로써 계산 효율성을 확보한다.
• 다양한 데이터 세트에서 실제 세계 네트워크와 합성 네트워크를 구분하는 데서 이 방법의 효과성을 입증한다.
• 특히 길이 스펙트럼과 관련된 위상적 데이터 분석과 복잡한 네트워크 분석 간의 새로운 연결 고리를 구축한다.

제안 방법

• 비백트래킹 순환의 길이 집합을 사용해 그래프의 길이 스펙트럼을 정의하고, 이를 자유 호모토피 클래스로 해석한다.
• 비백트래킹 행렬을 구성하여 비백트래킹 걷기의 조합적 구조를 인코딩하고, 그 고유값을 계산한다.
• 비백트래킹 행렬의 크기 순서로 정렬된 고유값을 길이 스펙트럼의 대체 측정으로 사용하여 TNBSD의 기초를 형성한다.
• 가장 중요한 고유값에 집중하기 위해 절단 전략을 적용함으로써 계산 효율성과 강인성을 향상시킨다.
• 복소수 고유값 분포를 활용해 시각화 및 추가 분석을 수행하며, 코사인 유사도를 사용한 커널 주성분 분석을 통해 비교를 정밀화한다.
• 그래프 간의 L2 거리를 계산하여 절단된 고유값 시퀀스 간의 거리를 측정함으로써 거리 측정의 메트릭 성격을 확보한다.

실험 결과

연구 질문

• RQ1 알제브라적 위상수학에 뿌리를 두고 있는 길이 스펙트럼 함수가 복잡한 네트워크에서 그래프 거리의 원칙적 기초로 기능할 수 있는가?
• RQ2 허브와 삼각형과 같은 구조적 특성이 비백트래킹 행렬의 고유값 분포에 어떤 영향을 미치는가?
• RQ3 비백트래킹 행렬의 절단된 고유값 스펙트럼이 실제 네트워크 모델과 합성 네트워크 모델을 어느 정도 잘 구분할 수 있는가?
• RQ4 비백트래킹 순환의 위상적 해석이 네트워크 거리의 해석 가능성과 시각화 향상에 기여하는가?
• RQ5 TNBSD는 기존의 그래프 거리 측정법과 비교해 분류 성능, 효율성, 해석 가능성 측면에서 어떻게 다른가?

주요 결과

• TNBSD는 실제 네트워크와 합성 네트워크를 효과적으로 구분하며, 에너존 스캔들 기간 동안 알려진 사건이 발생한 주간을 이상 탐지 작업에서 정확히 식별하는 데 성공했다.
• 비백트래킹 행렬의 복소수 고유값 분포는 다양한 네트워크 모델(예: 에르되시-레니, 바라바시-알버트, 워츠-스트로거츠) 간에 뚜렷한 기하학적 패턴을 보이며, 이는 시각적 차별화를 가능하게 한다.
• 이 방법은 계산적으로 효율적이며, 비백트래킹 행렬의 몇몇 가장 큰 고유값 계산만으로도 충분하다.
• TNBSD는 해석 가능하다: 그 행동은 허브와 삼각형의 존재와 같은 구조적 특성과 관련이 있으며, 이는 고유값 스펙트럼에 영향을 미친다.
• 클러스터링 및 샘플링 작업에서 뛰어난 성능을 보이며, 주간으로 집계된 에너존 그래프가 평일 그래프보다 상호 간에 더 유사하다는 결과를 보였다.
• 고유값 투영에 대해 커널 주성분 분석을 적용하면 비교 성능이 향상되며, 이는 고유값 공간 내의 고차원적 구조가 분류 성능 향상에 기여함을 시사한다.