[논문 리뷰] Predicting Hidden Links and Missing Nodes in Scale-Free Networks with Artificial Neural Networks

Rakib Hassan Pran|arXiv (Cornell University)|2021. 09. 25.

Complex Network Analysis Techniques참고 문헌 12인용 수 10

한 줄 요약

이 논문은 보볼라스의 유도적 스케일프리 랜덤 그래프 알고리즘을 사용하여 합성적으로 생성된 스케일프리 네트워크 데이터를 훈련에 활용함으로써, 인공 신경망을 활용해 스케일프리 네트워크 내의 숨겨진 링크와 누락된 노드를 예측하는 새로운 딥러닝 프레임워크를 제안한다. 이 방법은 위상적 패턴을 학습하여 누락된 구조적 구성 요소를 높은 정확도로 식별하며, 다양한 스케일프리 네트워크 하위 유형 간에 강력한 일반화 성능을 보여준다.

ABSTRACT

There are many networks in real life which exist as form of Scale-free networks such as World Wide Web, protein-protein interaction network, semantic networks, airline networks, interbank payment networks, etc. If we want to analyze these networks, it is really necessary to understand the properties of scale-free networks. By using the properties of scale free networks, we can identify any type of anomalies in those networks. In this research, we proposed a methodology in a form of an algorithm to predict hidden links and missing nodes in scale-free networks where we combined a generator of random networks as a source of train data, on one hand, with artificial neural networks for supervised classification, on the other, we aimed at training the neural networks to discriminate between different subtypes of scale-free networks and predicted the missing nodes and hidden links among (present and missing) nodes in a given scale-free network. We chose Bela Bollobas's directed scale-free random graph generation algorithm as a generator of random networks to generate a large set of scale-free network's data.

연구 동기 및 목표

• 실세계의 스케일프리 네트워크인 월드 와이드 웹과 단백질-단백질 상호작용 네트워크와 같은 곳에서 숨겨진 링크와 누락된 노드를 탐지할 수 있는 기계학습 프레임워크를 개발하는 것.
• 핵심 구조적 구성 요소가 관측되거나 기록되지 않은 불완전한 네트워크 데이터 문제를 해결하기 위해 합성 데이터 생성 기법을 활용하는 것.
• 스케일프리 네트워크의 위상적 특징을 바탕으로 누락되거나 숨겨진 연결을 분류하고 예측할 수 있도록 인공 신경망을 훈련시키는 것.
• 다양한 유형의 스케일프리 네트워크 하위 유형에 대해 일반화 능력을 평가하기 위해 다양한 유형의 생성된 훈련 인스턴스를 사용하는 것.
• 실험적 데이터가 불완전하거나 노이즈가 있는 상황에서 네트워크 복원을 위한 확장 가능한 데이터 기반 솔루션을 제공하는 것.

제안 방법

• 연구는 보볼라스의 유도적 스케일프리 랜덤 그래프 생성 알고리즘을 사용하여 훈련 데이터로 사용할 대규모이고 다양한 스케일프리 네트워크의 합성 데이터셋을 생성한다.
• 노드의 차수, 클러스터링 계수, 국소 네트워크 구조 등의 특징을 신경망의 입력 표현으로 추출한다.
• 감독 학습 접근법을 적용하여, 모델이 위상적 패턴을 바탕으로 기존 링크와 누락된 링크 또는 노드를 구분하도록 훈련시킨다.
• 신경망 아키텍처는 높은 정밀도와 재현율을 달성하기 위해 잠재적인 숨겨진 링크와 누락된 노드를 분류하도록 최적화된다.
• 훈련 과정에서는 모델이 구조적 구성 요소의 존재 또는 부재를 예측할 능력을 최적화하기 위해 이진 교차 엔트로피 손실 함수를 사용한다.
• 모델은 훈련 세트에 포함되지 않은 새로운 합성 네트워크에서 일반화 성능을 평가하기 위해 평가된다.

실험 결과

연구 질문

• RQ1 합성 훈련 데이터를 사용하여 인공 신경망이 불완전한 스케일프리 네트워크 내 숨겨진 링크를 효과적으로 탐지할 수 있는가?
• RQ2 학습된 모델이 위상적 특징에 기반해 스케일프리 네트워크 내 누락된 노드를 어느 정도 정확하게 예측할 수 있는가?
• RQ3 보볼라스의 알고리즘을 통해 생성된 다양한 스케일프리 네트워크 하위 유형 간에 모델의 일반화 능력은 얼마나 뛰어나게 나타나는가?
• RQ4 스케일프리 구조에서 숨겨진 링크와 누락된 노드를 예측하는 데 가장 예측력 있는 위상적 특징는 무엇인가?
• RQ5 제안된 방법이 불완전한 스케일프리 네트워크 데이터에서 전통적인 링크 예측 또는 네트워크 복원 기법보다 우수한 성능을 보일 수 있는가?

주요 결과

• 제안된 방법은 보볼라스의 알고리즘을 사용해 생성된 여러 개의 합성 스케일프리 네트워크 인스턴스에서 숨겨진 링크와 누락된 노드를 높은 정확도로 식별하는 데 성공했다.
• 모델는 훈련 세트에 포함되지 않은 새로운 네트워크 구성에서도 높은 성능을 유지하며 강력한 일반화 능력을 보였다.
• 차수 분포와 국소 클러스터링과 같은 위상적 특징가 누락되거나 숨겨진 구조적 구성 요소를 매우 잘 예측하는 데 기여했다.
• 명확한 랜덤 그래프 모델에서 유래한 합성 데이터의 사용은 강력한 훈련과 신뢰할 수 있는 성능 평가를 가능하게 했다.
• 신경망 접근법은 누락된 노드 및 링크 탐지의 정밀도와 재현율 측면에서 기준선 링크 예측 방법보다 뛰어난 성능을 보였다.
• 이 프레임워크는 생물학적 및 기술적 시스템을 포함한 다양한 실세계 스케일프리 네트워크에 확장 가능하고 적응 가능하다.