[논문 리뷰] Tools for higher-order network analysis

Austin R. Benson|arXiv (Cornell University)|2018. 02. 19.

Complex Network Analysis Techniques참고 문헌 5인용 수 3

한 줄 요약

이 박사학위 논문은 복잡한 시스템의 구조적 조직을 드러내기 위해 소규모 하위그래프 패턴(네트워크 모티프)을 활용하는 고차원 네트워크 분석을 위한 도구 세트를 소개한다. 모티프 기반 스펙트럴 클러스터링 알고리즘, 일반화된 고차원 클러스터링 계수, 그리고 동적 네트워크에서 시간적 모티프를 효율적으로 세는 알고리즘을 제안하며, 생물학적, 사회적, 교통 네트워크를 포함한 다양한 실세계 데이터셋에서 기능 모듈의 탐지 성능 향상을 입증한다.

ABSTRACT

Networks are a fundamental model of complex systems throughout the sciences, and network datasets are typically analyzed through lower-order connectivity patterns described at the level of individual nodes and edges. However, higher-order connectivity patterns captured by small subgraphs, also called network motifs, describe the fundamental structures that control and mediate the behavior of many complex systems. We develop three tools for network analysis that use higher-order connectivity patterns to gain new insights into network datasets: (1) a framework to cluster nodes into modules based on joint participation in network motifs; (2) a generalization of the clustering coefficient measurement to investigate higher-order closure patterns; and (3) a definition of network motifs for temporal networks and fast algorithms for counting them. Using these tools, we analyze data from biology, ecology, economics, neuroscience, online social networks, scientific collaborations, telecommunications, transportation, and the World Wide Web.

연구 동기 및 목표

• 기존 네트워크 분석이 이원적 연결에만 초점을 맞추는 데에 한계가 있음을 해결하기 위해, 고차원 연결 패턴을 포착하는 방법을 개발한다.
• 반복되는 하위그래프 패턴(모티프)에 대한 공동 참여를 바탕으로 노드를 클러스터링하여 네트워크 내 기능 모듈을 식별한다.
• 클러스터링 계수 개념을 고차원 구조로 일반화하여 삼각형을 초월한 복잡한 폐쇄 패턴 탐지가 가능하도록 한다.
• 시간적 네트워크로의 모티프 분석을 확장하기 위해 δ-시간 모티프를 정의하고, 대규모 데이터셋에 스케일링 가능한 빠른 세기 알고리즘을 개발한다.
• 신경망에서 소셜 미디어에 이르기까지 다양한 시스템에 대한 통찰을 제공하기 위해 집합적 고차원 상호작용에 초점을 맞춘 실용적이고 확장 가능한 도구를 제공한다.

제안 방법

• 모티프 인cidenc 행렬과 모티프 라플라시안을 사용하여 모티프 도메인을 정의하는 모티프 기반 스펙트럴 클러스터링 알고리즘을 개발하여, 공유된 모티프 참여를 기반으로 공동체 탐지가 가능하도록 한다.
• 표준 클러스터링 계수를 일반화하여 k-노드 모티프(예: 4노드 모티프)에서 폐쇄 확률을 측정하는 고차원 클러스터링 계수를 도입함으로써 더 풍부한 구조적 의존성을 포착한다.
• 시간 제약이 있는 간선 시퀀스를 갖는 하위그래프로 정의된 δ-시간 네트워크 모티프의 공식 정의를 제안한다.
• 조합적 및 행렬 기반 최적화를 활용하여 3노드, 3간선 스타 및 삼각형 모티프의 빠른 세기 알고리즘을 설계하여 전체 순열을 피한다.
• 일반적인 모티프 세기 알고리즘을 사용하여 유도된 정적 모티프를 기반으로 병렬 처리를 수행하고, 노드 및 간선 수준의 집계를 통해 각 노드의 모티프 참여 통계를 계산한다.
• 지역적 고차원 클러스터링을 가능하게 하기 위해 모티프 기반 개인화된 PageRank를 적용하여 특정 노드 주변의 모티프 참여를 국소적으로 분석한다.

실험 결과

연구 질문

• RQ1 고차원 연결 패턴(모티프)을 어떻게 정의하여 전통적인 간선 기반 클러스터링보다 더 의미 있는 네트워크 모듈을 도출할 수 있는가?
• RQ2 고차원 클러스터링 계수는 표준 클러스터링 계수에서 놓치는 네트워크의 구조적 패턴을 드러내는가?
• RQ3 시간 순서와 지속 시간 제약 조건을 유지하면서 시간적 네트워크에서 모티프를 효과적이고 효율적으로 정의하고 세는 방법은 무엇인가?
• RQ4 모티프 기반 클러스터링과 고차원 계수의 성능은 생물학적 또는 기능적으로 관련된 하위구조를 탐지하는 데 있어 표준 네트워크 분석 방법과 비교해 어떻게 되는가?
• RQ5 빠른 모티프 세기 알고리즘이 실세계 대규모 네트워크에 대해 얼마나 스케일업 가능하며, 후속 분석에 통계적 유용성을 유지할 수 있는가?

주요 결과

• 모티프 기반 스펙트럴 클러스터링 알고리즘은 *S. cerevisiae* 전사 네트워크에서 생물학적으로 관련된 모듈을 성공적으로 식별하였으며, 간선 기반 방법보다 더 높은 정확도로 일관된 피드포워드 루프를 탐지하였다.
• 일반화된 고차원 클러스터링 계수로 *C. elegans* 신경망에서 뚜렷한 폐쇄 패턴이 드러났으며, 이중 피드포워드 모티프는 강한 폐쇄성을 보여 기능적 통합을 시사하였다.
• 3노드, 3간선 모티프에 대한 빠른 세기 알고리즘은 선형 또는 근사 선형 시간 복잡도를 달성하여 영국 위키백과 및 트위터 팔로워 네트워크와 같은 대규모 네트워크에서의 확장 가능한 분석이 가능하였다.
• 플로리다 만 식량망에서 모티프 M6(3노드 피드포워드 루프)는 유의미하게 과표현되어 있으며, 영양망 역학의 안정화에 기여할 가능성이 있음을 시사하였다.
• 시간적 모티프 세기 프레임워크는 전화 통화 및 위키백과 편집 데이터에서 핵심적인 구조적 패턴을 탐지하였으며, 모티프 수가 급격한 상호작용 패턴과 정보 확산 역학을 드러내었다.
• 일반 모티프 세기 알고리즘은 각 노드의 모티프 참여 통계를 가능하게 하였으며, 예를 들어 특정 모티프 유형에서 노드가 소스 또는 중심으로 기능하는 빈도를 세는 등의 실질적인 기능을 제공하여 네트워크 분석에 활용 가능한 특징을 제공하였다.