[논문 리뷰] Centrality Measures in Complex Networks: A Survey

Akrati Saxena, S. R. S. Iyengar|arXiv (Cornell University)|2020. 11. 14.

Complex Network Analysis Techniques참고 문헌 242인용 수 13

한 줄 요약

이 종합적 서베이는 복잡한 네트워크에서 중심성 측정법을 지역적(예: 차수, 준지역적) 또는 전역적(예: 가까움, 간섭도, PageRank, 고유벡터)으로 분류하여 포괄적인 개요를 제공한다. 가중치, 방향성, 동적 네트워크로의 확장, 근사 알고리즘, 상위-k 식별, 실제 사회, 생물학, 도시 도로 시스템 등 다양한 네트워크 응용 분야를 고려하여, 네트워크 유형과 응용 맥락에 따라 적절한 중심성 지표를 선택하는 데 도움을 제공한다.

ABSTRACT

In complex networks, each node has some unique characteristics that define the importance of the node based on the given application-specific context. These characteristics can be identified using various centrality metrics defined in the literature. Some of these centrality measures can be computed using local information of the node, such as degree centrality and semi-local centrality measure. Others use global information of the network like closeness centrality, betweenness centrality, eigenvector centrality, Katz centrality, PageRank, and so on. In this survey, we discuss these centrality measures and the state of the art literature that includes the extension of centrality measures to different types of networks, methods to update centrality values in dynamic networks, methods to identify top-k nodes, approximation algorithms, open research problems related to the domain, and so on. The paper is concluded with a discussion on application specific centrality measures that will help to choose a centrality measure based on the network type and application requirements.

연구 동기 및 목표

• 네트워크의 계산 범위와 응용 맥락에 기반해 지역적 및 전역적 중심성 측정법을系통적으로 분류하고 비교하기.
• 대규모 네트워크에서 높은 계산 복잡도 및 동적 네트워크에서의 효율적 업데이트가 필요한 문제를 포함한 중심성 계산의 핵심 과제를 규명하기.
• 가중치, 방향성, 다층, 시간적 네트워크와 같은 다양한 네트워크 유형으로 고전적 중심성 측정법을 확장한 사례를 분석하기.
• 모든 노드의 중심성 순위를 계산하지 않고도 상위-k 영향력 있는 노드를 식별하는 방법을 평가하여 계산 오버헤드를 줄이기.
• 네트워크 구조와 실제 응용 사례(예: 전염병 확산, 정보 확산, 인프라 계획)에 따라 중심성 측정법을 선택하는 데 적용 중심의 지침 제공하기.

제안 방법

• 정보 범위에 따라 중심성 측정법을 지역적(차수, 준지역적) 및 전역적(가까움, 간섭도, 고유벡터, PageRank, 코어성)으로 분류하기.
• 가중치, 방향성, 다층, 시간적 네트워크로의 중심성 측정법 확장을 조사하여 의미를 유지하는 방식으로 정의를 적응시키기.
• 대규모 네트워크에서 시간 복잡도를 줄이기 위해 샘플링 또는 국소 계산을 이용해 중심성 값을 근사하는 근사 알고리즘을 검토하기.
• 간선 또는 노드 변경 후 중심성 값을 재계산하지 않고도 점진적으로 조정하는 동적 네트워크 업데이트 기법을 분석하기.
• 최고의 영향력 있는 노드를 효율적으로 식별하기 위해 히우리스틱 또는 부분 계산을 사용하는 상위-k 식별 전략을 분석하기.
• 단방향 흐름 네트워크(예: 성관계 네트워크)에 적합한 트레일 기반 중심성 등 하이브리드 및 응용 중심 중심성 측정법을 제시하여 최단경로 기반 측정법의 한계를 보완하기.

실험 결과

연구 질문

• RQ1 지역적 중심성 측정법과 전역적 중심성 측정법은 영향력 있는 노드를 식별하는 데 어떤 차이를 보이며, 각각 어떤 맥락에서 더 적절한가?
• RQ2 가중치, 방향성, 또는 다층 네트워크와 같은 복잡한 네트워크 유형으로 고전적 중심성 측정법을 확장할 때의 핵심 과제는 무엇인가?
• RQ3 전체 재계산 없이도 대규모 또는 동적 네트워크에서 중심성 값을 효율적으로 근사하거나 점진적으로 업데이트하는 방법은 무엇인가?
• RQ4 모든 노드의 중심성 점수를 계산하지 않고도 상위-k 영향력 있는 노드를 식별하는 데 가장 효과적인 방법은 무엇인가?
• RQ5 실제 네트워크 응용 분야(예: 사회, 생물학, 도시)에서 특정 중심성 측정법이 다른 측정법보다 뛰어난 이유는 무엇이며, 어떤 맥락에서 그러한 성능 향상이 발생하는가?

주요 결과

• 가까움 중심성과 간섭도 중심성은 정보가 최단경로를 통해 퍼질 경우 가장 효과적이지만, 단방향 또는 최단경로 외 흐름(예: 성관계 네트워크)에서는 관련성이 떨어진다.
• PageRank와 고유벡터 중심성은 이웃의 중요성을 고려함으로써 전역적으로 영향력 있는 노드를 식별하는 데 차수 중심성보다 뛰어나다.
• 근사 알고리즘이 대규모 네트워크에서 전역 중심성 측정법의 계산 시간을 크게 줄여 실용적 적용 가능성을 높인다.
• 동적 네트워크 업데이트 기법은 간선 또는 노드 변경 후 중심성 값을 효율적으로 재계산할 수 있게 하여 전체 재계산 대비 오버헤드를 줄인다.
• 상위-k 식별 기법은 높은 잠재력이 있는 노드에만 집중함으로써 계산 비용을 줄여 중심성 분석의 확장 가능성을 높인다.
• 응용 중심 중심성 측정법—예를 들어 트레일 기반 중심성 또는 길이 스케일링된 간섭도 중심성—은 루머 확산이나 단방향 정보 흐름과 같은 실제 세계의 동역학을 모델링하기 위해 필수적이다.