[논문 리뷰] Taxonomies of Networks

Jukka‐Pekka Onnela, Daniel J. Fenn외 5명|arXiv (Cornell University)|2010. 06. 29.

Complex Network Analysis Techniques참고 문헌 8인용 수 4

한 줄 요약

이 논문은 커뮤니티 탐지에서 유도된 구조적 유사성 기반으로 네트워크 분류 프레임워크를 제안하여 다양한 네트워크 간 체계적인 비교를 가능하게 한다. 모듈러리티 최적화를 이용한 커뮤니티 구조 분석을 통해 저자들은 실제, 합성, 실세계 시스템을 포함한 총 746개의 네트워크를 분류하여, 다양한 분야에서 유사한 사회적 또는 금융 네트워크와 같은 구조적 유사체를 효과적으로 식별할 수 있음을 보여준다.

ABSTRACT

The study of networks has grown into a substantial interdisciplinary endeavour that encompasses myriad disciplines in the natural, social, and information sciences. Here we introduce a framework for constructing taxonomies of networks based on their structural similarities. These networks can arise from any of numerous sources: they can be empirical or synthetic, they can arise from multiple realizations of a single process, empirical or synthetic, or they can represent entirely different systems in different disciplines. Since the mesoscopic properties of networks are hypothesized to be important for network function, we base our comparisons on summaries of network community structures. While we use a specific method for uncovering network communities, much of the introduced framework is independent of that choice. After introducing the framework, we apply it to construct a taxonomy for 746 individual networks and demonstrate that our approach usefully identifies similar networks. We also construct taxonomies within individual categories of networks, and in each case we expose non-trivial structure. For example we create taxonomies for similarity networks constructed from both political voting data and financial data. We also construct network taxonomies to compare the social structures of 100 Facebook networks and the growth structures produced by different types of fungi.

연구 동기 및 목표

• 메시코스코픽 커뮤니티 구조에 중점을 두어, 구조적 유사성 기반의 네트워크 분류를 위한 체계적인 프레임워크 개발.
• 사회, 생물학, 금융, 합성 시스템 등 다양한 분야의 네트워크 간 공통적인 구조적 패턴을 식별함으로써 교차 분야 간 네트워크 비교를 가능하게 하기.
• 예를 들어 페이스북 네트워크와 균류 성장 패턴 간 유사한 커뮤니티 구성이 있는 등, 다양한 네트워크 유형 간의 구조적 유사체를 탐지하기.
• 정치 투표 또는 금융 상관관계 네트워크와 같은 특정 클래스에 대해 서브-분류체를 구성함으로써 네트워크 유형 내부의 비자명한 내부 구조를 폭 드러내기.
• 이상치 탐지, 모델 검증, 네트워크 가족 간 공통의 생성 메커니즘 식별 등의 응용을 지원하기.

제안 방법

• 모듈러리티 최적화(Louvain 방법)를 통한 커뮤니티 탐지를 활용해 각 네트워크의 메시코스코픽 구조적 특징을 추출한다.
• 각 네트워크를 커뮤니티 수, 모듈러리티, 커뮤니티 크기 분포 등의 커뮤니티 수준 통계값으로 구성된 벡터로 표현한다.
• 커뮤니티 특징 벡터 간의 유사도를 코사인 또는 유클리드 거리와 같은 거리 측도를 사용해 계산한다.
• 구조적 유사성 기반으로 네트워크를 군집화하기 위해 계층적 클러스터링(예: 평균 연결법)을 적용한다.
• 다양한 커뮤니티 탐지 알고리즘과 파rameter 설정 간 결과 비교를 통한 탄력성 검증을 수행한다.
• 기본 네트워크 벤치마크(예: LFR, WS, Erdős–Rényi)와 다양한 분야의 실세계 네트워크를 사용해 분류체계의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 커뮤니티 구조에 기반한 통합 프레임워크가 다양한 네트워크 유형 간 의미 있는 구조적 유사성을 식별할 수 있는가?
• RQ2 예를 들어 사회, 금융, 생물학 분야의 네트워크는 커뮤니티 구성 측면에서 어떻게 비교 가능한가?
• RQ3 서브-분류체는 정치 투표 또는 균류 성장 네트워크와 같은 특정 네트워크 유형 내부의 비자명한 내부 구조를 드러낼 수 있는가?
• RQ4 이 분류체는 알려진 구조적 유사체(예: 합성 네트워크와 실세계 네트워크 간 유사한 커뮤니티 구조)를 어느 정도 탐지할 수 있는가?
• RQ5 커뮤니티 탐지 알고리즘과 파rameter 선택의 변화에 대해 분류체계는 얼마나 탄력적인가?

주요 결과

• 분류체계는 재무 상관관계 네트워크와 뇌 기능 네트워크 간 유사한 커뮤니티 아키텍처를 기반으로 다양한 분야 간 구조적으로 유사한 네트워크를 효과적으로 식별한다.
• 서브-분류체는 비자명한 내부 구조를 드러낸다: 예를 들어 페이스북 네트워크는 커뮤니티 밀도와 크기 분포에 따라 군집화되며, 균류 성장 네트워크는 가지치기 복잡도에 따라 그룹화된다.
• 합성 기반 벤치마크 네트워크(LFR, WS 등)는 그 생성 파rameter에 따라 정확히 군집화되며, 네트워크 가족 간의 구조적 일관성을 확인한다.
• 모듈러리티와 커뮤니티 크기 분포가 유사한 네트워크들—예를 들어 정치 투표 네트워크와 금융 네트워크—는 함께 군집화되며, 이는 공통된 기반이 되는 조직 원리가 있음을 시사한다.
• 이 프레임워크는 이상치를 탐지할 수 있다: 예를 들어 높은 모듈러리티를 가졌지만 비정상적인 커뮤니티 크기 분포를 보이는 한 개의 합성 네트워크는 분류체계에서 고립되어 있으며, 이는 구조적 이질성을 나타낸다.
• 다양한 커뮤니티 탐지 알고리즘(예: Infomap, 스펙트럴 클러스터링 등)을 사용하더라도 일관된 군집 패턴이 관찰되어 분류체계의 탄력성이 높음을 확인한다.