[논문 리뷰] Rich-clubness test: how to determine whether a complex network has or doesn't have a rich-club?

Alessandro Muscoloni, Carlo Vittorio Cannistraci|arXiv (Cornell University)|2017. 04. 11.

Complex Network Analysis Techniques참고 문헌 19인용 수 5

한 줄 요약

이 논문은 신경과학, 사회 시스템 및 인프라 분야의 다양한 네트워크에서 복잡한 네트워크가 유의미한 리치클럽 구조를 보이는지 판단하기 위한 최초의 통합 통계적 검정을 제안한다. 하한(null) 모델을 제안하고 리치클럽 계수를 정규화하며, 최대 이탈을 통해 유일한 p-값을 계산하는 방식으로, 이 방법은 다양한 네트워크에서 리치클럽의 유의미성에 대한 명확하고 정량적인 측도를 제공한다.

ABSTRACT

The rich-club concept has been introduced in order to characterize the presence of a cohort of nodes with a large number of links (rich nodes) that tend to be well connected between each other, creating a tight group (club). Rich-clubness defines the extent to which a network displays a topological organization characterized by the presence of a node rich-club. It is crucial for the investigation of internal organization and function of networks arising in systems of disparate fields such as transportation, social, communication and neuroscience. Different methods have been proposed for assessing the rich-clubness and various null-models have been adopted for performing statistical tests. However, a procedure that assigns a unique value of rich-clubness significance to a given network is still missing. Our solution to this problem grows on the basis of three new pillars. We introduce: i) a null-model characterized by a lower rich-club coefficient; ii) a fair strategy to normalize the level of rich-clubness of a network in respect to the null-model; iii) a statistical test that, exploiting the maximum deviation of the normalized rich-club coefficient attributes a unique p-value of rich-clubness to a given network. In conclusion, this study proposes the first attempt to quantify, using a unique measure, whether a network presents a significant rich-club topological organization. The general impact of our study on engineering and science is that simulations investigating how the functional performance of a network is changing in relation to rich-clubness might be more easily tuned controlling one unique value: the proposed rich-clubness measure.

연구 동기 및 목표

• 네트워크의 리치클럽 구조가 유의미한지 또는 우연인지 판단하기 위한 표준화되고 통계적으로 엄밀한 방법의 부재를 해결하기 위해.
• 이전의 리치클럽 평가에서 임의적이거나 최적화되지 않은 null 모델로 인해 발생하는 일관성 없는 결과를 해결하기 위해.
• 다양한 네트워크 유형에 적용 가능한 단일의 고유한 리치클럽 유의미성 측도를 개발하기 위해.
• 리치클럽 구조에 기반한 네트워크 성능의 신뢰성 있는 시뮬레이션 및 분석을 가능하게 하기 위해.
• 네트워크 크기와 차수 분포를 고려한 공정한 정규화 전략을 제공하기 위해.

제안 방법

• 관측된 네트워크보다 낮은 리치클럽 계수를 가지는 무작위 네트워크를 생성하는 새로운 null 모델을 제안하여 보수적인 기준을 확보한다.
• 관측된 리치클럽 계수를 하한(null) 모델 기반으로 정규화하는 절차를 도입한다.
• 모든 차수 임계값에서 정규화된 리치클럽 계수의 최대 이탈을 기반으로 한 통계적 검정을 시행한다.
• 관측된 최대 이탈을 null 모델 하에서의 분포와 비교하여 고유한 p-값을 계산한다.
• 몬테카를로 샘플링을 사용하여 최대 이탈의 null 분포를 추정함으로써 정확한 유의미성 검정을 가능하게 한다.
• 실제 네트워크에 적용하여 이 방법의 강건성과 해석 가능성의 다각도적 분야 적용 가능성을 검증한다.

실험 결과

연구 질문

• RQ1 통계적으로 타당하고 고유한 p-값을 부여하여 네트워크의 리치클럽 구조가 유의미한지 평가할 수 있는가?
• RQ2 무작위 네트워크의 리치클럽 계수가 관측된 네트워크보다 체계적으로 낮아지도록 null 모델을 어떻게 구성할 수 있는가?
• RQ3 크기와 차수 분포가 다른 네트워크 간의 리치클럽 강도를 공정하게 비교하기 위해 어떤 정규화 전략이 필요한가?
• RQ4 제안된 방법이 복잡한 네트워크에서 진정된 리치클럽 조직을 탐지하는 데 기존 방법보다 뛰어난가?
• RQ5 이 방법은 수정 없이 뇌, 사회 시스템 및 교통 네트워크와 같은 다양한 분야의 네트워크에 일반적으로 적용될 수 있는가?

주요 결과

• 제안된 방법은 어떤 네트워크에도 고유하고 해석 가능한 p-값을 할당하여 리치클럽 유의미성의 명확한 결정을 가능하게 한다.
• 하한(null) 모델은 관측된 리치클럽 계수가 무작위 연결으로 인한 과대평가 없이 통계적으로 의미 있는지 보장한다.
• 하한(null) 모델 기반의 정규화는 크기와 차수 분포가 다른 네트워크 간의 리치클럽 강도 비교에 대해 공정하고 일관된 척도를 제공한다.
• 최대 이탈 통계량은 가장 극단적인 리치클럽 행동을 효과적으로 포착하여 검정의 민감도와 검정력 향상에 기여한다.
• 이 방법은 뇌, 사회 및 인프라 시스템을 포함한 다양한 실제 네트워크에서 강건한 성능을 보이며, 다양한 분야에서의 적용 가능성을 입증한다.
• 이 방법은 네트워크 기능과 내성에 영향을 주는 시뮬레이션의 신뢰성 있는 튜닝을 가능하게 하며, 유일한 제어 변수인 리치클럽 p-값을 제공한다.