[논문 리뷰] Specialization Models of Network Growth

Leonid Bunimovich, Dallas C. Smith외 1명|arXiv (Cornell University)|2017. 12. 05.

Complex Network Analysis Techniques인용 수 3

한 줄 요약

이 논문은 기능적 모듈성을 향상시키기 위해 부분 네트워크를 복사하고 희소하게 연결하는 전문화 모델을 도입한다. 부분 네트워크에 대해 반복적으로 전문화를 적용함으로써, 점점 더 희소하고 모듈성 및 계층성이 높은 구조를 갖는 네트워크 위상이 생성되며, 이는 척도 자유도 분포, 이질성, 높은 클러스터링 계수, 소월 효과와 같은 실제 세계 네트워크의 핵심 특성을 나타낸다.

ABSTRACT

One of the most important features observed in real networks is that, as a network's topology evolves so does the network's ability to perform various complex tasks. To explain this, it has also been observed that as a network grows certain subnetworks begin to specialize the function(s) they perform. Here, we introduce a class of models of network growth based on this notion of specialization and show that as a network is specialized using this method its topology becomes increasingly sparse, modular, and hierarchical, each of which are important properties observed in real networks. This procedure is also highly flexible in that a network can be specialized over any subset of its elements. This flexibility allows those studying specific networks the ability to search for mechanisms that describe the growth of these particular networks. As an example, we find that by randomly selecting these elements a network's topology acquires some of the most well-known properties of real networks including the small-world property, disassortativity, power-law like degree distributions, and power-law like clustering coefficients. As far as the authors know, this is the first such class of models that creates an increasingly modular and hierarchical network topology with these properties.

연구 동기 및 목표

• 기능적 복잡성이 증가하는 데 기여하기 위해 네트워크 위상이 어떻게 진화하는지를 설명하기 위해.
• 서브네트워크의 기능적 전문화에 기반한 네트워크 성장 모델링을 위한 유연한 프레임워크를 개발하기 위해.
• 전문화가 실제 네트워크에서 관찰되는 모듈성, 계층성, 희소성의 위상이 어떻게 나타나는지를 보여주기 위해.
• 랜덤 전문화 규칙이 척도 자유도 분포 및 소월 특성과 같이 널리 관찰되는 네트워크 특성을 재현할 수 있는지를 보여주기 위해.
• 네트워크 위상 간의 기능적 유사성에 기반해 비교할 수 있는 구조적 규칙과 전문화 동치성 정의를 제안하기 위해.

제안 방법

• 선택된 서브네트워크를 복사하고 원본보다 더 희소한 연결로 부착하는 전문화 규칙 τ를 정의한다.
• 초기 그래프 G와 전문화 단계 수 k에 대해 τ^k(G)를 반복적으로 적용하여 생성한다.
• 전문화 과정 하에서 동형 모티프나 구성 요소를 식별함으로써, 구조적 규칙 ℓ를 사용해 그래프를 비교한다.
• emergent 위상적 특성을 탐색하기 위해 네트워크 요소의 랜덤 선택을 전문화 규칙으로 적용한다.
• 도수 분포, 클러스터링 계수, 평균 경로 길이, 할당성과 같은 위상적 특성을 분석하여 네트워크 행동을 평가한다.
• 스펙트럼 분석을 통해 고유값과 고유벡터 중심성은 전문화 과정 동안 유지됨을 보여주어 동적 안정성이 유지됨을 나타낸다.

실험 결과

연구 질문

• RQ1 서브네트워크의 반복적 전문화가 네트워크 위상에서 모듈성, 계층성, 희소성의 출현에 어떻게 영향을 미치는가?
• RQ2 랜덤 전문화 규칙이 척도 자유도 분포 및 소월 특성을 포함한 실제 세계의 특성을 갖는 네트워크를 생성할 수 있는가?
• RQ3 구조적 규칙이 기능적 전문화에 기반한 네트워크의 동치 클래스를 정의하는 데 어떤 역할을 하는가?
• RQ4 반복적인 전문화 과정에서 네트워크의 스펙트럼 및 동적 특성은 어떻게 변화하는가?
• RQ5 특정 실제 세계 네트워크의 세밀한 구조적 특징을 반영할 수 있도록 전문화 모델을 조정할 수 있는가?

주요 결과

• 전문화 모델은 생물학적, 사회적, 기술적 네트워크에서 관찰되는 것과 유사한 점점 더 희소하고 모듈성 및 계층성이 높은 네트워크 위상을 생성한다.
• 랜덤 전문화 규칙을 사용할 경우, 결과 네트워크 위상은 척도 자유도 유사 도수 분포, 이질성, 높은 클러스터링 계수, 소월 성질을 나타낸다.
• 이 모델은 모듈성 및 계층적 위상을 동시에 생성하고, 이러한 네 가지 핵심 실제 세계 네트워크 특성을 재현하는 것으로 알려진 첫 번째 네트워크 성장 모델 클래스이다.
• 전문화 과정 동안 고유값과 고유벡터 중심성과 같은 핵심 스펙트럼 특성이 유지되어 동적 안정성이 성장 과정 동안 유지됨을 나타낸다.
• 구조적 규칙은 전문화 동치성을 정의할 수 있게 하여, 기능적 모티프 구조에 기반한 유사성 클래스로 네트워크를 분할할 수 있도록 한다.
• k가 증가함에 따라 τ^k(G)의 점근적 위상 및 스펙트럼은 아직 알려져 있지 않으며, 향후 이론적 분석을 위한 열린 문제로 남아 있다.