[논문 리뷰] NetSimile: A Scalable Approach to Size-Independent Network Similarity

Michele Berlingerio, Danai Koutra외 2명|arXiv (Cornell University)|2012. 09. 12.

Complex Network Analysis Techniques참고 문헌 32인용 수 97

한 줄 요약

NetSimile는 통계적 순서를 사용하여 국소적이고 이웃 구조적 특징에서 저차원의 서명 벡터를 추출함으로써 확장 가능하고 크기 독립적인 네트워크 유사도 측정 방법을 제안한다. 노드 대응이 필요 없이 효율적인 그래프 비교를 가능하게 하며, 선형 시간 복잡도를 달성하고 다양한 실재 및 합성 네트워크에서 클러스터링, 시각화, 이상 탐지에서 기존 기준보다 뛰어난 성능을 보인다.

ABSTRACT

Given a set of k networks, possibly with different sizes and no overlaps in nodes or edges, how can we quickly assess similarity between them, without solving the node-correspondence problem? Analogously, how can we extract a small number of descriptive, numerical features from each graph that effectively serve as the graph's "signature"? Having such features will enable a wealth of graph mining tasks, including clustering, outlier detection, visualization, etc. We propose NetSimile -- a novel, effective, and scalable method for solving the aforementioned problem. NetSimile has the following desirable properties: (a) It gives similarity scores that are size-invariant. (b) It is scalable, being linear on the number of edges for "signature" vector extraction. (c) It does not need to solve the node-correspondence problem. We present extensive experiments on numerous synthetic and real graphs from disparate domains, and show NetSimile's superiority over baseline competitors. We also show how NetSimile enables several mining tasks such as clustering, visualization, discontinuity detection, network transfer learning, and re-identification across networks.

연구 동기 및 목표

• 노드 대응이 필요 없이 서로 다른 크기의 네트워크를 비교하는 데 도전하는 것.
• 익명화되고 이질적인 네트워크 간의 구조적 유사도를 계산하는 확장 가능한 방법을 개발하는 것.
• 그래프의 위상 구조를 효과적으로 포괄하는 컴팩트하고 해석 가능한 기능 벡터(‘서명’)를 추출하는 것.
• 이러한 서명을 사용하여 클러스터링, 시각화, 전이 학습과 같은 후속 그래프 마이닝 작업을 가능하게 하는 것.
• 유사도 측정 방법이 직관적이며 크기 불변이며 계산적으로 효율적인지 확보하는 것.

제안 방법

• NetSimile는 각 노드와 그의 이ego-네트워크(egonet)에서 국소적 구조적 특징(예: 차수, 응집 계수)을 추출한다.
• 이 특징들의 전 노드에 걸쳐 통계적 순서(평균, 분산, 왜도, 첨도)를 계산하여 분포 기반의 서명 벡터를 구성한다.
• 서명 벡터는 그래프의 전반적 위상 구조에 대한 컴팩트하고 해석 가능한 표현으로 기능한다.
• 그래프 간의 유사도는 서명 벡터 간의 코사인 유사도로 계산되며, 이로 인해 크기 불변성이 보장된다.
• 이 방법은 간선 수에 대해 선형이므로 대규모 네트워크에 매우 확장 가능하다.
• 이 접근법은 추가적인 구조적 특징과 집계 기법을 포함하는 데에도 확장 가능하다.

실험 결과

연구 질문

• RQ1 노드 대응 문제를 해결하지 않고도 서로 다른 크기의 네트워크 간의 구조적 유사도를 어떻게 측정할 수 있는가?
• RQ2 직관적이고 해석 가능한 결과를 도출할 수 있는 확장 가능하고 크기 불변의 유사도 측정 방법을 설계할 수 있는가?
• RQ3 NetSimile는 다양한 유형의 네트워크에서 클러스터링, 시각화, 이상 탐지에 얼마나 효과적인가?
• RQ4 유사도 기반의 기준 방법들인 빈번한 부분그래프 마이닝과 고유값 기반 접근법과 비교할 때 NetSimile의 정확도와 확장성은 어떠한가?
• RQ5 NetSimile의 서명 벡터는 전이 학습과 네트워크 간 재식별에 지원할 수 있는가?

주요 결과

• NetSimile의 서명 벡터는 SVD를 통한 저차원 공간에서 자연스럽게 유사한 그래프들이 군집되는 방식으로 네트워크 유사도의 효과적인 시각화를 가능하게 한다.
• 이 방법은 간선 수에 대해 선형 시간 복잡도를 달성하여 대규모 네트워크에 매우 확장 가능하다.
• NetSimile는 크기 불변의 유사도 점수를 생성하며, 직관적인 기대와 일치한다 — 예를 들어, 사회적 네트워크는 기술적 네트워크보다 서로 더 유사하다.
• 30개 이상의 실재 및 합성 네트워크에서의 실험에서 NetSimile는 클러스터링 정확도와 이상 탐지에서 기준 방법을 능가했다.
• NetSimile는 쿼리 로그 네트워크 내에서 단일 이례적인 Barabási-Albert 그래프와 같은 구조적 불연속성을 성공적으로 식별했다.
• 강력하고 해석 가능한 그래프 서명 덕분에 NetSimile는 전이 학습과 재식별 작업에 대해 뛰어난 적용 가능성을 보였다.