[논문 리뷰] Improving information centrality of a node in complex networks by adding edges

Liren Shan, Yuhao Yi외 1명|arXiv (Cornell University)|2018. 04. 18.

Complex Network Analysis Techniques참고 문헌 17인용 수 3

한 줄 요약

이 논문은 복잡한 네트워크에서 대상 노드의 정보 중심성(정보 중심성)을 최대화하기 위해 k개의 새로운 간선을 추가하는 데 그로비 알고리즘을 제안한다. 문제를 저항 거리(minimizing resistance distance)로 재구성함으로써, 저자들은 목적 함수가 단조적이고 초모듈라(supermodular)임을 증명하여 (1−1/e)-근사 알고리즘을 이끌어내며, 이는 O(n³) 시간 복잡도를 가지며, 더 빠른 (1−1/e−ε)-근사 변형은 Õ(mkε⁻²) 시간 복잡도를 가지며, 실제 및 합성 네트워크에서 뛰어난 성능을 보여주었다.

ABSTRACT

The problem of increasing the centrality of a network node arises in many practical applications. In this paper, we study the optimization problem of maximizing the information centrality $I_v$ of a given node $v$ in a network with $n$ nodes and $m$ edges, by creating $k$ new edges incident to $v$. Since $I_v$ is the reciprocal of the sum of resistance distance $\mathcal{R}_v$ between $v$ and all nodes, we alternatively consider the problem of minimizing $\mathcal{R}_v$ by adding $k$ new edges linked to $v$. We show that the objective function is monotone and supermodular. We provide a simple greedy algorithm with an approximation factor $\left(1-\frac{1}{e} ight)$ and $O(n^3)$ running time. To speed up the computation, we also present an algorithm to compute $\left(1-\frac{1}{e}-ε ight)$-approximate resistance distance $\mathcal{R}_v$ after iteratively adding $k$ edges, the running time of which is $\widetilde{O} (mkε^{-2})$ for any $ε>0$, where the $\widetilde{O} (\cdot)$ notation suppresses the ${ m poly} (\log n)$ factors. We experimentally demonstrate the effectiveness and efficiency of our proposed algorithms.

연구 동기 및 목표

• 정보 중심성 최적화를 위한 간선 추가 기법의 격차를 메우기 위해, 중심성 중심성과 비슷한 분별력이 뛰어난 중심성 중심성보다 더 뛰어난 성능을 보이는 지표를 사용한다.
• 목표 노드 v의 정보 중심성 I_v를 최대화하는 문제를, 노드 v와 모든 다른 노드 사이의 저항 거리 R_v를 최소화하는 문제로 재구성한다.
• 실제 시간 제약 조건에서 높은 품질의 해를 달성할 수 있는 효율적인 근사 알고리즘을 설계한다.
• 실제 및 모델 네트워크에서 제안된 알고리즘의 효과성과 효율성을 검증한다.

제안 방법

• 목표 노드 v의 정보 중심성 I_v를 최대화하는 문제를, 노드 v와 모든 다른 노드 사이의 효과적 저항의 합인 저항 거리 R_v를 최소화하는 문제로 재구성한다.
• 목적 함수가 단조적이고 초모듈라임을 증명하여, 이론적 보장을 갖는 그로비 근사 알고리즘을 적용할 수 있음을 보장한다.
• 한 번에 한 개의 간선씩 추가하여 R_v를 최소화하는 첫 번째 그로비 알고리즘을 제안하며, 이는 O(n³) 시간 내에서 (1−1/e)-근사 성능을 달성한다.
• 무작위 저항 거리 추정을 사용한 더 빠른 근사 알고리즘을 도입하여, Õ(mkε⁻²) 시간 내에서 (1−1/e−ε)-근사 성능을 달성한다. 이 때 다항로그 요소는 무시된다.
• 라플라시안 행렬과 효과적 저항 계산을 활용하여 각 후보 간선 추가의 영향을 효율적으로 평가한다.
• 두 알고리즘을 모두 구현하고, 무작위, 상위 도수, 상위 중심성 기반 간선 삽입 전략과 같은 기준 대비와 비교한다.

실험 결과

연구 질문

• RQ1 특정 노드의 정보 중심성을 k개의 간선을 추가함으로써 효율적으로 최대화할 수 있는가?
• RQ2 k개의 간선 추가를 통해 저항 거리 R_v를 최소화하는 문제는 단조적이고 초모듈라인가? 이는 근사 보장을 가능하게 하는가?
• RQ3 대규모 네트워크로 확장할 때, 해의 품질과 계산 효율성 사이의 상호 교환 관계는 어떠한가?
• RQ4 제안된 그로비 알고리즘은 무작위, 도수 기반, 중심성 기반 전략과 비교해 어떻게 성능을 냈는가?

주요 결과

• 제안된 (1−1/e)-근사 알고리즘은 O(n³) 시간 복잡도를 가지며 높은 해 품질을 달성하여 중간 크기의 네트워크에 적합하다.
• 더 빠른 Õ(mkε⁻²) 알고리즘은 (1−1/e−ε)-근사 성능을 달성하며, com-DBLP 및 roadNet-TX와 같은 대규모 네트워크에 효과적으로 스케일링되며, 정확한 방법이 높은 시간 복잡도로 실패하는 경우에도 유의미한 성능을 보인다.
• 모든 테스트된 실제 및 합성 네트워크에서, 그로비 알고리즘은 무작위, 상위 도수, 상위 중심성 기반 기준 대비 목표 노드의 정보 중심성을 크게 향상시켰다.
• Facebook 및 Powergrid와 같은 네트워크에서는 근사 알고리즘이 정확한 방법의 정보 중심성 점수의 99% 이상을 달성하면서도, 정확한 방법보다 수십만 배 빠른 속도를 보였다.
• 대규모 네트워크에서 근사 알고리즘의 평균 실행 시간은 정확한 방법의 10% 미만이었으며, 정보 중심성 점수 비율은 항상 0.99 이상을 유지했다.
• 결과적으로, 저항 거리 최소화 전략에 기반한 간선 추가 방법이 정보 중심성을 향상시키는 데 있어 도수 또는 중심성 기반 히우리스틱보다 더 효과적임을 보여주었다.