[논문 리뷰] Role-similarity based comparison of directed networks

Kathryn Cooper, Mauricio Barahona|arXiv (Cornell University)|2011. 03. 29.

Complex Network Analysis Techniques인용 수 3

한 줄 요약

이 논문은 가중치가 부여된 인cidenc 행렬의 거듭제곱을 사용하여 유 directed 네트워크 내의 노드들 간의 유사도를 분석함으로써 방향성 흐름 프로파일을 기반으로 노드 역할 유사도 측정법을 제안한다. 이 방법은 유사도 행렬의 그래프 분할을 통해 교차 네트워크 노드 유사도 및 네트워크 구조 비교를 가능하게 하며, 특히 대사 및 생태계 시스템에서 기능적으로 동일한 노드와 구조적으로 유사한 네트워크를 높은 정확도로 식별함을 보여준다.

ABSTRACT

The widespread relevance of complex networks is a valuable tool in the analysis of a broad range of systems. There is a demand for tools which enable the extraction of meaningful information and allow the comparison between different systems. We present a novel measure of similarity between nodes in different networks as a generalization of the concept of self-similarity. A similarity matrix is assembled as the distance between feature vectors that contain the in and out paths of all lengths for each node. Hence, nodes operating in a similar flow environment are considered similar regardless of network membership. We demonstrate that this method has the potential to be influential in tasks such as assigning identity or function to uncharacterized nodes. In addition an innovative application of graph partitioning to the raw results extends the concept to the comparison of networks in terms of their underlying role-structure.

연구 동기 및 목표

• 방향성 흐름 구조에 기반하여 다양한 directed 네트워크 간의 노드 역할을 일반화 가능한 방법으로 비교하는 것.
• 자기 유사성 개념을 네트워크 간의 노드 유사성으로 확장하여 미해결된 노드에 기능 할당할 수 있도록 하는 것.
• 유사도 행렬의 그래프 분할을 통해 기저의 역할-구조를 분석함으로써 전체 네트워크 구조를 비교할 수 있도록 하는 것.
• 대사, 식량망, 세계 무역 네트워크와 같은 실제 네트워크에서 이 방법을 검증하여, 시뮬레이션 모델에서 높은 구조적 정밀도를 보이는 것.

제안 방법

• 이 방법은 각 노드에 대해 유사도 행렬의 거듭제곱과 그 전치행렬의 거듭제곱을 사용하여, 길이 K 이내의 모든 길이의 유입 및 유출 경로를 캡처하는 특징 벡터를 계산한다.
• 지역적(짧은 경로)과 전역적(긴 경로) 영향을 균형 있게 조절하기 위해 스케일링 파라미터 β = α/λ₁를 사용하며, 여기서 λ₁는 인cidenc 행렬의 최대 고유값이다.
• 이러한 경로 수에서 유도된 정규화된 특징 벡터 간의 코사인 거리를 노드 유사도로 계산한다.
• 유사도 행렬을 활용하여 그래프 분할을 적용함으로써 전체 네트워크를 비교하고 기저의 역할-구조를 드러낸다.
• 그룹의 흐름 비율과 크기를 유지하면서 시뮬레이션 네트워크를 생성하여 원본 네트워크 및 완전히 무작위 네트워크와의 비교를 가능하게 한다.
• 유사도를 정량화하기 위해 최대 상호정보량 점수를 사용하며, 가시화를 위해 블록 평균화된 단순화된 형태를 사용한다.

실험 결과

연구 질문

• RQ1 다른 directed 네트워크 간의 노드 유사도는 그들의 방향성 흐름 프로파일에 기반하여 의미적으로 정량화될 수 있는가?
• RQ2 제안된 유사도 측정법은 실제 네트워크에서 생물학적 또는 기능적 동일성과 어느 정도 상관관계가 있는가?
• RQ3 유사도 행렬의 그래프 분할을 통해 다양한 네트워크의 기저 역할-구조를 드러내고 비교할 수 있는가?
• RQ4 내부 연결이 무작위이지만 흐름 구조는 동일한 시뮬레이션 네트워크가 원본 네트워크 및 완전히 무작위 네트워크와 비교할 때 어떤 유사도 지표를 보이는가?

주요 결과

• 이 방법은 다양한 네트워크 간의 기능적으로 동일한 노드를 성공적으로 식별하였으며, 대사 네트워크에서 알려진 동일 기능을 가진 대사물질 간에 높은 유사도 점수가 관찰되었다.
• 그룹의 흐름 구조를 유지한 시뮬레이션 네트워크는 크기와 간선 수가 동일한 완전히 무작위 네트워크보다 원본 네트워크 및 상호 간에 유사도가 유의미하게 높았다.
• 동일한 모델에 기반한 네트워크들—예를 들어 니치 모델, St. Marks 식량망, 세계 무역 네트워크—는 기저의 역할-구조에서 높은 상호 유사도를 보였다.
• 대사 네트워크 모델들(mmu, eco, pai)은 서로 높은 내부 유사도를 보였으며, 식량망 및 무작위 네트워크 모델들과는 뚜렷하게 구별되었다.
• 무작위 directed 네트워크는 명백한 구조를 보이지 않았으며, 다른 모든 네트워크 유형과는 상당한 유사도가 없었으며, 이는 방법이 의미 있는 위상에 민감함을 확인한다.
• 블록 평균화된 상호정보량 행렬은 네트워크 유형 간에 명확한 클러스터링을 드러내어, 이 방법이 구조적 영역을 구분하는 데 성공했음을 검증한다.