[논문 리뷰] Kronecker Graphs: An Approach to Modeling Networks

Jure Leskovec, Deepayan Chakrabarti외 3명|ArXiv.org|2008. 12. 29.

Complex Network Analysis Techniques참고 문헌 85인용 수 736

한 줄 요약

이 논문은 크로네커 곱을 사용하여 현실적인 구조적 성질—중력 꼬리도수 분포, 작은 지름, 시간에 따른 조밀화—를 갖는 네트워크를 생성하는 생성 모델인 크로네커 그래프를 소개한다. 이 모델은 수학적으로 분석 가능하게 설계되어 있으며, 핵심 기여는 최대우도 추정을 사용해 실제 네트워크에 모델을 적합시키는 선형 시간 알고리즘인 크론핏(KronFit)이다. 이 알고리즘을 통해 단지 네 개의 파라미터로도 확장 가능하고 정확한 합성 그래프 생성이 가능하다.

ABSTRACT

How can we model networks with a mathematically tractable model that allows for rigorous analysis of network properties? Networks exhibit a long list of surprising properties: heavy tails for the degree distribution; small diameters; and densification and shrinking diameters over time. Most present network models either fail to match several of the above properties, are complicated to analyze mathematically, or both. In this paper we propose a generative model for networks that is both mathematically tractable and can generate networks that have the above mentioned properties. Our main idea is to use the Kronecker product to generate graphs that we refer to as "Kronecker graphs". First, we prove that Kronecker graphs naturally obey common network properties. We also provide empirical evidence showing that Kronecker graphs can effectively model the structure of real networks. We then present KronFit, a fast and scalable algorithm for fitting the Kronecker graph generation model to large real networks. A naive approach to fitting would take super- exponential time. In contrast, KronFit takes linear time, by exploiting the structure of Kronecker matrix multiplication and by using statistical simulation techniques. Experiments on large real and synthetic networks show that KronFit finds accurate parameters that indeed very well mimic the properties of target networks. Once fitted, the model parameters can be used to gain insights about the network structure, and the resulting synthetic graphs can be used for null- models, anonymization, extrapolations, and graph summarization.

연구 동기 및 목표

• 실제 네트워크의 주요 정적 및 시간적 성질을 자연스럽게 재현할 수 있는 수학적으로 분석 가능한 네트워크 모델을 개발하기 위해.
• 기존 모델들이 네트워크 성질을 충족시키지 못하거나 분석적 엄밀성이 부족한 한계를 해결하기 위해.
• 원칙적인 통계 추정을 기반으로 대규모 실제 네트워크에 모델을 적합시키는 확장 가능하고 효율적인 알고리즘을 설계하기 위해.
• 합성 그래프 생성을 통한 네트워크 외삽, 익명화, 근본 모델 생성, 구조 분석 등의 실용적 응용을 가능하게 하기 위해.

제안 방법

• 모델은 작은 초기 매트릭스의 크로네커 곱을 반복적으로 적용하여 대규모 합성 그래프를 생성한다.
• 크로네커 곱의 구조는 행렬 연산의 대수적 성질에 기반해 주요 네트워크 성질—예: 중력 꼬리도수 및 고유값 분포—가 자연스럽게 유도됨을 보장한다.
• 크론핏은 실제 네트워크에서의 초기 매트릭스 파라미터를 최대우도 원리에 따라 추정하며, 허브-노드 대응이 필요 없는 메트로폴리스 샘플링을 피한다.
• 알고리즘은 크로네커 매트릭스의 재귀적 구조를 활용해 우도를 선형 시간에 계산함으로써, 난이도가 급격히 증가하는 기계적 적합의 초초기계적 복잡도를 피한다.
• 통계 시뮬레이션 기법과 행렬 희소성 기법을 활용해 수백만 개 노드를 포함한 네트워크에까지 확장 가능하다.
• 초기 매트릭스에 다른 비모수적 분포(예: 지수 또는 다항분포)를 사용해 베르누이 간선 모델을 대체함으로써 가중치가 부여된 또는 레이블이 부여된 네트워크로의 모델 확장이 가능하다.

실험 결과

연구 질문

• RQ1 크로네커 행렬 곱 기반의 생성 모델이 실제 네트워크에서 관찰되는 구조적 및 시간적 성질을 자연스럽게 재현할 수 있는가?
• RQ2 대규모 실제 네트워크에 대해 이러한 모델의 파라미터를 효율적이고 확장 가능하게 추정할 수 있는가?
• RQ3 결과로 도출된 합성 그래프가 실제 네트워크의 정확한 근본 모델 또는 익명화된 표현으로 사용될 수 있는가?
• RQ4 크로네커 모델의 추정된 파라미터가 실제 네트워크의 전반적 구조 및 커뮤니티 구조를 어떻게 반영하는가?

주요 결과

• 크로네커 그래프에서는 중력 꼬리도수 분포, 작고 점점 줄어드는 지름, 시간에 따른 조밀화가 자연스럽게 나타나 실제 네트워크의 관측 결과와 일치한다.
• 크로네커 행렬 곱의 잘 정립된 이론에 기반해 네트워크 성질에 대한 엄밀한 수학적 증명이 가능하다.
• 크론핏은 간선 수에 대해 선형 시간에 모델 파라미터를 추정하므로 이전 방법들에 비해 수십 배에서 수백 배 빠르며(예: 클러스터에서 20분 대비 2일), 확장 가능성이 뛰어나다.
• 단지 네 개의 파라미터로도 도수 분포, 고유값 분포, 유효 지름 등 여러 전반적 네트워크 성질을 정확히 재현할 수 있다.
• 적합된 모델은 합성 그래프가 실제 네트워크 통계와 유사하게 유지되므로 네트워크 외삽, 익명화, 예측 등의 실용적 응용이 가능하다.
• 초기 매트릭스에 비베르누이 분포를 사용해 간선 생성을 모델링함으로써, 가중치가 부여된 또는 레이블이 부여된 네트워크로의 방법 일반화가 가능하다.