[논문 리뷰] Identifying influential nodes in complex networks: Effective distance gravity model

Qiuyan Shang, Yong Deng외 1명|arXiv (Cornell University)|2020. 11. 12.

Complex Network Analysis Techniques참고 문헌 49인용 수 4

한 줄 요약

이 논문은 복잡한 네트워크에서 영향력 있는 노드를 식별하기 위해 기존의 유클리드 거리를 효과적 거리로 대체한 효과적 중력 모델(EffG)을 제안한다. 이 효과적 거리는 확률적 경로 분석에서 유도되며, 동적 노드 상호작용을 보다 잘 반영한다. 이 방법은 국소적 및 전역적 네트워크 정보를 융합하여, 여덟 개인 실제 네트워크에서 SI 모델을 사용한 시뮬레이션에서 여섯 가지 기존 방법보다 뛰어난 안정성과 실제 정보 확산 역학과의 상관성을 보여준다.

ABSTRACT

The identification of important nodes in complex networks is an area of exciting growth due to its applications across various disciplines like disease controlling, community finding, data mining, network system controlling, just to name a few. Many measures have thus been proposed to date, and these measures are either based on the locality of nodes or the global nature of the network. These measures typically use distance based on the concept of traditional Euclidean Distance, which only focus on the local static geographic distance between nodes but ignore the interaction between nodes in real-world networks. However, a variety of factors should be considered for the purpose of identifying influential nodes, such as degree, edge, direction and weight. Some methods based on evidence theory have also been proposed. In this paper, we have proposed an original and novel gravity model with effective distance for identifying influential nodes based on information fusion and multi-level processing. Our method is able to comprehensively consider the global and local information of the complex network, and also utilize the effective distance to replace the Euclidean Distance. This allows us to fully consider the complex topological structure of the real network, as well as the dynamic interaction information between nodes. In order to validate the effectiveness of our proposed method, we have utilized the susceptible infected (SI) model to carry out a variety of simulations on eight different real-world networks using six existing well-known methods. The experimental results indicate the reasonableness and effectiveness of our proposed method.

연구 동기 및 목표

• 기존의 노드 영향력 측정 방법이 정적 유클리드 거리에 의존하고 실제 네트워크에서의 동적 상호작용을 忽시하는 데서 기인하는 한계를 해결하기 위해.
• 보다 정확한 영향력 평가를 위해 국소적 위상적 특성과 전역적 네트워크 구조를 통합하는 방법을 개발하기 위해.
• 전통적인 거리 측정법을 인접 행렬에서 유도된 경로의 확률 기반 효과적 거리로 대체하여 네트워크 내 실제 동적 상호작용을 반영하기 위해.
• 다양한 실제 네트워크에서 확산 모델(SI 모델)을 사용하여 제안된 방법의 효과성을 검증하기 위해.
• 제안된 방법이 여섯 가지 잘 알려진 기존 방법보다 실제 확산 역학과 더 높은 상관성을 가지는지 보여주기 위해.

제안 방법

• 중력 모델 내 유클리드 거리를 효과적 거리로 대체하여, 네트워크 위상 기반으로 노드 간 정보 흐름의 가능성도를 정량화한다.
• 효과적 거리는 인접 행렬을 사용하여 노드 간 가장 가능성이 높은 경로를 추정함으로써, 동적 상호작용 잠재력을 캡처한다.
• 중력 모델은 노드의 차수(국소적 영향력)와 효과적 거리(전역적 접근 가능성)를 통합하여 복합적인 영향력 점수를 계산한다.
• 영향력 점수는 노드의 질량(예: 차수)과 노드 간 효과적 거리의 곱에 기반하며, 중력 유사 공식에 따라 계산된다: F_ij = m_i * m_j / d_eff_ij.
• 국소적 연결성과 전역적 경로 확률을 융합하여 다수준의 정보 융합을 수행함으로써 노드 영향력 순위를 매긴다.
• 모델은 SI 모델을 사용하여 평가되며, 각 노드는 감염 상태로 초기화되고, 최종 감염 노드 수를 영향력의 기준으로 사용한다.

실험 결과

연구 질문

• RQ1 유클리드 거리를 효과적 거리로 대체함으로써, 복잡한 네트워크에서 영향력 있는 노드 식별에 어떤 개선이 이루어지는가?
• RQ2 제안된 효과적 거리 중력 모델(EffG)은 실제 네트워크에서의 정보 확산 역학과 어느 정도 상관이 있는가?
• RQ3 다양한 네트워크 유형에서 EffG의 영향력 확산 예측 성능은 여섯 가지 확립된 방법(DC, BC, CC, EC, PageRank, KS)과 비교해 볼 때 어떻게 되는가?
• RQ4 제안된 모델은 다양한 네트워크 구조와 확산 임계값에서 안정적이고 일관된 성능을 유지하는가?
• RQ5 영향력 확산 시나리오에서, 효과적 거리 메트릭이 정적 기하 거리보다 더 나은 동적 상호작용을 캡처할 수 있는가?

주요 결과

• 제안된 효과적 거리 중력 모델(EffG)은 네 개의 실제 네트워크(Jazz, NS, Email, USAir)에서 SI 모델의 최종 감염 수와 가장 높은 켄달의 타우 상관관계를 기록하여 실제 확산 역학과의 강력한 일치를 보였다.
• Jazz 네트워크에서는 노드 순위를 최종 감염 수에 대해 그린 곡선이 일관되게 감소하며 최소한의 변동성을 보였고, BC와 EC는 상당한 불안정성을 보였다.
• Facebook 네트워크에서는 β > 0.9일 때 EffG의 SI 모델과의 상관관계가 두 번째로 높았으며, 다양한 확산 속도에서 안정된 성능을 유지했고, BC는 큰 변동성을 보였다.
• USAir 네트워크에서는 EffG와 BC의 타우 값이 낮았지만, EffG는 BC의 비정상적인 행동에 비해 더 안정적이고 신뢰할 수 있는 영향력 순위 감소를 유지했다.
• 시험한 여덟 개의 네트워크 전반에서 EffG는 특히 다양한 확산 임계값(β)에서 뛰어난 강건성과 일관성을 보였으며, 성능 저하가 최소한이었다.
• 이 방법은 차수 중심성(DC)과 중간성 중심성(BC)과 같은 전통적인 중심성 측정법보다 뛰어나게 성능을 보였으며, 이는 동적 확산 시나리오에서 높은 민감도와 불안정성을 보였기 때문이다.