[논문 리뷰] Graphlets versus node2vec and struc2vec in the task of network alignment

Shawn Gu, Tijana Milenković|arXiv (Cornell University)|2018. 05. 11.

Bioinformatics and Genomic Networks참고 문헌 40인용 수 8

한 줄 요약

이 연구는 합성 네트워크와 생물학적 네트워크에서 네트워크 정렬 작업을 위해 그래프릿, node2vec, struc2vec를 비교하며, 그래프릿이 정확도와 속도 면에서 양자 모두에서 뛰어난 성능을 보임을 발견한다. 그래프릿은 그래프릿 도수 벡터(GDVs)를 사용해 노드 유사도를 계산함으로써, node2vec와 struc2vec와 같은 학습 기반 방법보다 더 높은 정렬 품질과 더 빠른 계산 속도를 달성한다. 특히 그래프릿 수를 세는 데 효율적인 Orca 구현을 활용할 경우 더욱 두드러진다.

ABSTRACT

Network embedding aims to represent each node in a network as a low-dimensional feature vector that summarizes the given node's (extended) network neighborhood. The nodes' feature vectors can then be used in various downstream machine learning tasks. Recently, many embedding methods that automatically learn the features of nodes have emerged, such as node2vec and struc2vec, which have been used in tasks such as node classification, link prediction, and node clustering, mainly in the social network domain. There are also other embedding methods that explicitly look at the connections between nodes, i.e., the nodes' network neighborhoods, such as graphlets. Graphlets have been used in many tasks such as network comparison, link prediction, and network clustering, mainly in the computational biology domain. Even though the two types of embedding methods (node2vec/struct2vec versus graphlets) have a similar goal -- to represent nodes as features vectors, no comparisons have been made between them, possibly because they have originated in the different domains. Therefore, in this study, we compare graphlets to node2vec and struc2vec, and we do so in the task of network alignment. In evaluations on synthetic and real-world biological networks, we find that graphlets are both more accurate and faster than node2vec and struc2vec.

연구 동기 및 목표

• 네트워크 정렬 작업에서 그래프릿을 학습 기반 임bedding 방법(node2vec 및 struc2vec)과 비교하기 위해.
• 기존에 계산 생물학에서 사용되던 그래프릿이 최신 딥러닝 기반 방법보다 네트워크 정렬에서 뛰어난 성능을 보이는지 평가하기 위해.
• 다양한 임베딩 기법 간 정렬 정확도와 계산 효율성 사이의 상호 상충 관계를 평가하기 위해.
• 최신 노드 임베딩 방법에 비해 그래프릿이 네트워크 정렬에서 경쟁 가능한 대안이 될 수 있는지 가능성 탐색하기 위해.

제안 방법

• 그래프릿을 사용해 그래프릿 도수 벡터(GDVs)를 통해 노드 특징 벡터를 계산하며, 이는 작은 부분그래프(그래프릿)에 대한 노드의 참가 수를 다양한 자동형태 오비트 기준으로 수량화한다.
• WAVE와 SANA라는 두 가지 기존 전략을 사용해 GDVs, node2vec 및 struc2vec 임베딩에서 유사도를 기반으로 노드 정렬을 유도한다.
• 그래프릿 수를 효율적으로 세기 위해 Orca 알고리즘을 활용하며, 그래프릿 오비트 간의 조합적 관계를 이용해 명시적 탐색을 피한다.
• 합성 네트워크와 실제 생물학적 PPI 네트워크(Yeast, Human, SF, APMS)에서 실험하며, 노이즈가 첨가된 버전을 사용해 강인성 테스트를 수행한다.
• 실시간 및 CPU 시간을 측정하여 각 방법 간 계산 효율성을 비교한다.
• 일반적으로 사용되는 정량적 지표인 정밀도, 재현율, F1-스코어를 사용해 일치하는 노드 쌍 기반으로 정렬 품질을 평가한다.

실험 결과

연구 질문

• RQ1 그래프릿은 node2vec와 struc2vec보다 더 정확한 네트워크 정렬을 제공하는가?
• RQ2 그래프릿 기반 임베딩은 node2vec와 struc2vec보다 계산적으로 더 효율적인가?
• RQ3 세 가지 임베딩 방법은 합성 네트워크와 실제 생물학적 PPI 네트워크를 포함한 다양한 네트워크 유형에서 어떻게 성능을 보이는가?
• RQ4 네트워크 노이즈가 존재하는 상황에서도 그래프릿은 학습 기반 방법을 능가할 수 있는가?

주요 결과

• 모든 평가 대상 네트워크에서 그래프릿은 node2vec와 struc2vec보다 뛰어난 정렬 정확도를 달성했으며, 테스트의 93.75%에서 개선 효과를 보였다.
• node2vec와 struc2vec는 그래프릿을 향상시키기 위해 6.25%의 평가 케이스에서만 성능 향상을 보였으며, 이는 이 맥락에서 추가적인 가치가 제한적임을 시사한다.
• Orca를 사용한 그래프릿 계산은 node2vec와 struc2vec보다 뚜렷이 빠르며, 실시간 실행 시간은 각각 0.03–1.08초, node2vec는 9.75–122.91초, struc2vec는 75.37–2874.24초였다.
• Orca 구현은 그래프릿 오비트 간의 수학적 관계를 활용해, 명시적 네트워크 탐색에 의존도를 줄여 그래프릿 수를 빠르게 계산할 수 있도록 했다.
• struc2vec는 무작위 보행 중 추가적인 네트워크 수정 단계를 거치기 때문에 node2vec보다 느렸다.
• 결과적으로 그래프릿은 생물학적 및 합성 네트워크에서 네트워크 정렬 작업에 대해 딥러닝 기반 임베딩 방법보다 더 효율적이고 효과적인 선택임을 시사한다.