[논문 리뷰] Understanding and Predicting Links in Graphs: A Persistent Homology Perspective

Sumit Bhatia, Bapi Chatterjee외 2명|arXiv (Cornell University)|2018. 11. 09.

Topological and Geometric Data Analysis참고 문헌 28인용 수 5

한 줄 요약

이 논문은 그래프 이웃의 위상적 특징을 캡처하기 위해 영구 호몰로지를 사용하는 새로운 링크 예측 방법을 제안한다. 이는 공간 해상도에 따른 형태 변화를 분석함으로써 강건하고 확장 가능한 예측을 가능하게 한다. 이 방법은 최소한의 계산 비용으로 일곱 개의 실세계 데이터셋에서 최신 기술 수준의 성능을 달성하며, DeepWalk 및 node2vec과 같은 딥러닝 기반 베이스라인보다 핵심 지표에서 뛰어난 성능을 보이며, 단지 여덟 가지 위상적 특징에 의존한다.

ABSTRACT

Persistent Homology is a powerful tool in Topological Data Analysis (TDA) to capture topological properties of data succinctly at different spatial resolutions. For graphical data, shape, and structure of the neighborhood of individual data items (nodes) is an essential means of characterizing their properties. In this paper, we propose the use of persistent homology methods to capture structural and topological properties of graphs and use it to address the problem of link prediction. We evaluate our approach on seven different real-world datasets and offer directions for future work.

연구 동기 및 목표

• 복잡한 네트워크에서 누락되거나 향후 발생할 링크를 예측하는 데 있어, 순수하게 局부적 또는 전역적 히우리즘에 의존하지 않고 위상적 구조를 활용하는 문제를 해결하기 위해.
• 학습이 광범위하게 필요하지 않은 채로 국소적이고 전역적 구조 정보를 확장 가능하고 적응적으로 캡처하는 방법을 개발하기 위해.
• 다양한 실세계 그래프 데이터셋에서 영구 호몰로지로부터 파생된 위상적 특징의 링크 예측 효과성을 평가하기 위해.
• 임베딩 기반 및 경로 수세기 방법에 대한 이론적으로 탄탄하고 계산적으로 효율적인 대안을 제공하기 위해.

제안 방법

• 이 방법은 두 쿼리 노드의 확장 이웃에 의해 유도된 부분그래프에 대해 영구 호몰로지를 적용하여, 여러 공간 해상도에서 연결된 성분, 터널, 빈 공간과 같은 위상적 특징을 분석한다.
• 지속성 다이어그램을 구성하여 위상적 특징의 탄생과 소멸을 표현하며, 이를 바탕으로 노드 이웃 간의 구조 유사성을 캡처하는 여덟 가지의 거리 측정법을 계산한다.
• 랭크 프로덕트 메트릭을 사용하여 각 거리 함수에서 유도된 개별 순위 목록을 통합하여, 각 소스 노드에 대한 최종 통합 순위를 도출한다.
• 이 방법은 전체 그래프를 전반적으로 분석하는 대신, 쿼리 노드의 국소적 확장 이웃에만 집중함으로써 계산 비용을 줄이면서도 전역적 구조적 통찰을 유지한다.
• 링크 예측을 순위 매기기 문제로 간주하여, 성능 평가 지표로 Hits@1, Hits@10, Hits@50를 사용한다.

실험 결과

연구 질문

• RQ1 영구 호몰로지가 그래프 이웃의 구조적 및 위상적 특징을 효과적으로 캡처하여 링크 예측 성능을 향상시킬 수 있는가?
• RQ2 Adamic-Adar, Katz 스코어, DeepWalk, node2vec과 같은 기존의 베이스라인과 비교할 때, 영구 호몰로지 기반 방법의 링크 예측 성능는 어떠한가?
• RQ3 제안된 방법이 다양한 실세계 그래프 데이터셋에 걸쳐 얼마나 강건하고 안정적인가?
• RQ4 지속성 다이어그램에서 유도된 위상적 특징은 학습된 노드 임베딩에 대한 계산적으로 효율적인 대안이 될 수 있는가?

주요 결과

• 제안된 방법은 일곱 개의 데이터셋 중 세 개에서 가장 높은 Hits@10 스코어를 기록하였으며, 이들에 대해 모든 베이스라인을 초월하였다. 또한 네 개의 데이터셋에서는 DeepWalk의 최고 성능과 동일하거나 이를 초월하였다.
• 단지 여덟 가지 수작업으로 구성된 위상적 특징만을 사용함에도 불구하고, 데이터셋 간에 뛰어난 안정성과 강건성을 보였다.
• Cora 데이터셋에서 제안된 방법의 Hits@10은 0.504, Citeseer 데이터셋에서는 0.571, PubMed 데이터셋에서는 0.345를 기록하여 뛰어난 일반화 능력을 보였다.
• 단순함에도 불구하고 Adamic-Adar 및 Salton 측정법보다 대부분의 경우 뛰어난 성능를 보였는데, 이는 고차원적 구조 패턴을 캡처할 수 있었기 때문이다.
• 딥러닝 기반의 DeepWalk 및 node2vec와 경쟁 가능한 성능를 달성하였으며, 심지어 깊은 신경망 학습을 피하기 때문에 훨씬 낮은 계산 비용을 요구하였다.