[논문 리뷰] Higher-order motif analysis in hypergraphs

Quintino Francesco Lotito, Federico Musciotto외 2명|arXiv (Cornell University)|2021. 08. 06.

Complex Network Analysis Techniques참고 문헌 73인용 수 4

한 줄 요약

이 논문은 초그래프에서의 고차원 모티프—세 개 이상의 노드 간 상호작용을 포함하는 통계적으로 빈도가 높은 소규모 서브그래프—를 소개하여 이원 연결을 넘어서는 국소적 구조 패턴을 포착한다. 정확한 열거와 유의성 검정을 위한 효율적인 알고리즘을 제안하며, 구성 모델(null model)을 사용하여 초그래프의 다양한 가족과 강력한 고차원 상호작용이 조밀한 이원 연결성과 연결된 구조적 강화 메커니즘을 드러낸다.

ABSTRACT

A deluge of new data on social, technological and biological networked systems suggests that a large number of interactions among system units are not limited to pairs, but rather involve a higher number of nodes. To properly encode such higher-order interactions, richer mathematical frameworks such as hypergraphs are needed, where hyperlinks describe connections among an arbitrary number of nodes. Here we introduce the concept of higher-order motifs, small connected subgraphs where vertices may be linked by interactions of any order. We provide lower and upper bounds on the number of higher-order motifs as a function of the motif size, and propose an efficient algorithm to extract complete higher-order motif profiles from empirical data. We identify different families of hypergraphs, characterized by distinct higher-order connectivity patterns at the local scale. We also capture evidences of structural reinforcement, a mechanism that associates higher strengths of higher-order interactions for the nodes that interact more at the pairwise level. Our work highlights the informative power of higher-order motifs, providing a first way to extract higher-order fingerprints in hypergraphs at the network microscale.

연구 동기 및 목표

• 기존의 이원 네트워크 모티프에 머물지 않고, 초그래프에서 통계적으로 빈도가 높은 고차원 상호작용 패턴을 식별하기 위한 프레임워크를 개발하는 것.
• 초그래프 모티프의 순서 3 및 4를 사용하여 국소적 마이크로스케일 구조를 추출함으로써 복잡한 시스템의 국소적 구조를 특성화하는 것.
• 높은 이원 상호작용 빈도를 보이는 노드들이 더 강력한 고차원 상호작용을 보이는지 조사하여 잠재적인 구조적 강화 메커니즘을 밝혀내는 것.
• 실제 초그래프 데이터에서 모티프 수를 정확하고 효율적으로 세고, 유의성 검정을 수행하기 위한 효율적이고 정확한 알고리즘을 제공하는 것.
• 생물학, 사회 네트워크, 뇌 네트워크 등의 분야에서 응용 가능한 고차원 네트워크 구조의 스케일러블 분석을 가능하게 하는 것.

제안 방법

• 고차원 모티프를 k개 노드로 구성된 연결 서브그래프로 정의하며, 이는 임의의 순서의 하이퍼엣지로 연결된다고 가정한다.
• 정확한 계층적 알고리즘을 사용하여, 크기가 k인 하이퍼엣지에서 시작해 이웃 확장을 통해 점진적으로 노드를 추가함으로써 모든 k노드의 유도된 서브그래프를 열거한다.
• 각 서브그래프를 그 정규형 모티프 형태로 매핑하기 위해 초그래프 이sovorphism 인덱싱을 사용하여 일정 시간 내 빈도 수를 세는 것을 가능하게 한다.
• 구성 모델을 null 모델로 사용하여 20개의 랜덤 초그래프를 생성하여 기대되는 모티프 빈도를 계산한다.
• Z-점수 유사한 델타 통계량 Δi = (N_real,i − ⟨N_rand,i⟩) / (N_real,i + ⟨N_rand,i⟩ + ε) 를 사용하여 유의성 프로파일을 계산하며, 여기서 ε = 4이다.
• 다양한 네트워크 간 비교를 가능하게 하기 위해 유의성 프로파일을 단위 길이로 정규화한다.

실험 결과

연구 질문

• RQ1 실제 초그래프에서 그룹 상호작용 패턴인 고차원 모티프가 우연히 발생할 것보다 더 자주 나타나는가?
• RQ2 특정 고차원 모티프 프로파일을 바탕으로 초그래프의 서로 다른 가족을 식별할 수 있는가?
• RQ3 밀도 있는 이원 상호작용을 보이는 노드들이 더 강력한 고차원 상호작용에 참여하는 구조적 강화 메커니즘이 존재하는가?
• RQ4 실제 초그래프 데이터에서 고차원 모티프를 효율적이고 정확하게 열거하고 통계적으로 검정할 수 있는가?
• RQ5 고차원 모티프는 기존의 이원 모티프 분석에 비해 네트워크 마이크로스케일 특성화에 얼마나 더 잘 기여하는가?

주요 결과

• 연구는 각각 국소 척도에서 고유한 고차원 연결 패턴을 특징으로 하는 초그래프의 서로 다른 가족을 식별하였다.
• 노드의 이원 상호작용 빈도가 높을수록 더 강력한 고차원 상호작용을 형성하는 구조적 강화 메커니즘이 관찰되었다.
• 순서 4의 비동형 고차원 모티프의 수는 171개이며, 이는 정확한 열거와 메모리 내 저장이 가능한 관리 가능한 수이다.
• 제안된 알고리즘은 크기 3 및 4인 모티프에 대해 고갈적 추출을 가능하게 하여 통계적 엄밀함을 확보한 유의성 검정을 보장한다.
• 유의성 프로파일(SP)은 다양한 초그래프 간 비교가 가능한 정규화된, 국소 네트워크 구조의 지문을 제공한다.
• 이 프레임워크는 사회, 생물학, 기술 네트워크를 포함한 다양한 실제 시스템의 마이크로스케일 구조 지문을 성공적으로 포착하였다.