[논문 리뷰] Return probability and k-step measures

Nicholas Dronen, Qin Lv|arXiv (Cornell University)|2011. 05. 23.

Complex Network Analysis Techniques참고 문헌 2인용 수 3

한 줄 요약

이 논문은 비방향 그래프에서의 랜덤 워크에서의 귀환 확률을 기반으로 한 계산 효율적인 k단계 측도인 Pólya 전력 지수(PPI)를 소개한다. PPI는 k단계 내에 원점으로 돌아오는 랜덤 워크의 확률을 추적하여 노드 중심성을 계산하며, O(n + m) 시간 복잡도를 달성하여 베타 중심성 또는 부분그래프 중심성보다 훨씬 빠르며, 네트워크 내 영향력 있는 노드를 식별하는 데 동일한 분별력을 유지한다.

ABSTRACT

The notion of return probability -- explored most famously by George Pólya on d-dimensional lattices -- has potential as a measure for the analysis of networks. We present an efficient method for finding return probability distributions for connected undirected graphs. We argue that return probability has the same discriminatory power as existing k-step measures -- in particular, beta centrality (with negative beta), the graph-theoretical power index (GPI), and subgraph centrality. We compare the running time of our algorithm to beta centrality and subgraph centrality and find that it is significantly faster. When return probability is used to measure the same phenomena as beta centrality, it runs in linear time -- O(n+m), where n and m are the number of nodes and edges, respectively -- which takes much less time than either the matrix inversion or the sequence of matrix multiplications required for calculating the exact or approximate forms of beta centrality, respectively. We call this form of return probability the Pólya power index (PPI). Computing subgraph centrality requires an expensive eigendecomposition of the adjacency matrix; return probability runs in half the time of the eigendecomposition on a 2000-node network. These performance improvements are important because computationally efficient measures are necessary in order to analyze large networks.

연구 동기 및 목표

• 기존의 k단계 중심성 측도인 베타 중심성과 부분그래프 중심성과 같은 것들에 비해 계산적으로 효율적인 대안을 개발하는 것.
• 귀환 확률이 확률적 측도로서 네트워크 내 영향력 있는 노드를 식별하는 데 동일한 분별력을 제공할 수 있음을 보여주는 것.
• 귀환 확률이 선형 시간 내에 계산될 수 있음을 보여주어 대규모 네트워크 분석에 적합함을 입증하는 것.
• 최소한의 정규화와 직관적인 해석을 가진 기존 중심성 측도에 비해 실용적이고 효율적인 대안으로 Pólya 전력 지수(PPI)를 정립하는 것.

제안 방법

• 비방향이고 연결된 그래프에서의 랜덤 워크를 모델링하기 위해 인접행렬 A로부터 유도된 확률적 전이행렬 P를 사용한다.
• 각 노드 i에 대해 k단계 귀환 확률은 P^k의 (i,i) 성분으로 계산되며, 이는 k단계 후에 노드 i로 돌아오는 확률을 추적한다.
• k=1일 경우 귀환 확률은 0이다. k=2일 경우, 각 이웃 j에 대해 1/deg(j)의 합으로 표현되며, 이는 이웃 j가 무작위로 i를 파artner로 선택할 확률을 반영한다.
• 비용이 많이 드는 행렬 연산을 피하기 위해 반복적 행렬-벡터 곱셈을 사용하여 PPI의 시간 복잡도를 O(n + m)으로 유지하며, 높은 k값에 대해서는 O(k × nnz_k)의 복잡도를 달성한다.
• Pólya 전력 지수(PPI)는 k=2에서의 귀환 확률로 정의되며, 이는 음의 β를 가진 베타 중심성과 GPI와 유사한 강한 상관관계를 보인다.
• 이 방법은 걷기 길이 k에 대한 정확한 제어를 가능하게 하며, 항상 [0,1] 범위에 값을 유지하므로 정규화가 필요 없도록 한다.

실험 결과

연구 질문

• RQ1 귀환 확률은 기존의 k단계 중심성 측도인 베타 중심성과 부분그래프 중심성과 같은 것들에 비해 계산적으로 효율적인 대안이 될 수 있는가?
• RQ2 귀환 확률은 베타 중심성, GPI, 부분그래프 중심성과 동일한 분별력을 보이며 영향력 있는 노드를 식별하는 데에 적합한가?
• RQ3 귀환 확률은 선형 시간 내에 계산될 수 있으며, 네트워크 크기에 따라 성능이 어떻게 변화하는가?
• RQ4 Pólya 전력 지수(PPI)는 네트워크의 구조적 배제력 구조를 다른 측도들과 비교하여 얼마나 잘 반영하는가?

주요 결과

• 2단계 귀환 확률에 기반한 Pólya 전력 지수(PPI)는 O(n + m) 시간 내에 실행되며, 정확한 또는 근사적인 베타 중심성을 계산하기 위해 필요한 행렬 역행렬 또는 반복 행렬 곱셈보다 훨씬 빠르다.
• 2000개 노드로 구성된 네트워크에서 귀환 확률를 계산하는 데에는 부분그래프 중심성을 계산하기 위해 필요한 고유분해를 수행하는 데 소요되는 시간의 절반 이하가 소요된다.
• 정규화 없이도 귀환 확률는 베타 중심성(음의 β), GPI, 부분그래프 중심성과 동일한 분별력을 보이며, 확률적 측도임에도 불구하고 효과적이다.
• k=1 및 k=2일 경우 알고리즘의 시간 복잡도는 네트워크 크기와 선형적으로 증가하며, 더 높은 k값에 대해서는 O(k × nnz_k)로 증가하여 대규모 네트워크에 실용적으로 적용 가능하다.
• 귀환 확률는 걷기 길이 k에 대한 정확한 제어를 가능하게 하며, 자연스럽게 [0,1] 범위에 값을 유지하므로 정규화 없이도 서로 다른 네트워크 간 직접 비교가 가능하다.