[論文レビュー] Clustering in random geometric graphs on the hyperbolic plane

Elisabetta Candellero, Nikolaos Fountoulakis|arXiv (Cornell University)|Sep 2, 2013

Complex Network Analysis Techniques被引用数 5

ひとこと要約

この論文は、Krioukov らが提唱した、複雑ネットワークの階層的構造を捉えるために用いられる、双曲平面に埋め込まれたランダム幾何グラフにおけるグローバルクラスタリング係数を分析している。厳密に導出された明示的な公式により、モデルのパラメータを用いてクラスタリング係数を調整可能であることを示し、幾何的パラメータとネットワークのクラスタリング行動との間の定量的関係を確立している。

ABSTRACT

Clustering is a fundamental property of complex networks and it is the mathematical expression of a ubiquitous phenomenon that arises in various types of self-organized networks such as biological networks, computer networks or social networks. In this paper, we consider what is called the global clustering coefficient of random graphs on the hyperbolic plane. This model of random graphs was introduced recently by Krioukov et al. as a mathematical model of complex networks, which naturally embeds the (tree-like) hierarchical structure of a complex network into a hyperbolic space. We give a rigorous analysis of clustering and characterize the global clustering coefficient in terms of the parameters of the model. We show that the global clustering coefficient can be tuned by such parameters and we give an explicit formula for this function.

研究の動機と目的

• 複雑ネットワークを双曲平面にモデル化した際のクラスタリングの数学的起源を理解すること。
• 双曲平面におけるランダム幾何グラフのグローバルクラスタリング係数を分析すること。
• クラスタリング係数がモデルの幾何的およびトポロジカルパラメータにどのように依存するかを特定すること。
• ネットワークモデルにおけるクラスタリングを正確に制御可能な閉形式のグローバルクラスタリング係数の式を提供すること。

提案手法

• ノードがべき則次数系列に従う双曲的空間分布に従って配置されるランダム幾何グラフモデルが用いられている。
• グローバルクラスタリング係数は、標準的な定義に従って計算されている：閉じた三重項の数をネットワーク全体の三重項総数で割ったもの。
• 双曲幾何と確率的幾何の解析的手法が、クラスタリング係数の期待値を導出するために適用されている。
• 双曲幾何における空間の指数的増大と、それによる幾何的近接性に起因する高いクラスタリングを導出の過程で考慮している。
• ノードの角度的集中度を制御するパラメータが導入されており、これがクラスタリングに直接的な影響を与える。
• ハイパーボリック半径および次数分布の指数を含む、モデルのパラメータの関数として、グローバルクラスタリング係数の明示的公式が導出されている。

実験結果

リサーチクエスチョン

• RQ1 ランダム幾何グラフが双曲平面に埋め込まれた場合、グローバルクラスタリング係数はどのように振る舞うか？
• RQ2 グローバルクラスタリング係数がモデルの幾何的およびトポロジカルパラメータにどのように依存するか？
• RQ3 ハイパーボリックランダムグラフモデルのパラメータを調整することで、クラスタリング係数を体系的に調整可能か？
• RQ4 このモデルにおけるグローバルクラスタリング係数の解析的表現は何か？

主な発見

• ハイパーボリックランダム幾何グラフモデルにおけるグローバルクラスタリング係数は、ハイパーボリック半径および次数分布の指数といったモデルのパラメータによって明示的に決定される。
• ネットワークサイズが非常に大きくなる極限においても、クラスタリング係数は高いままであり、これは双曲空間の固有の幾何的性質が反映されている。
• 角度的集中度パラメータを用いることで、次数分布とは独立してクラスタリングを正確に制御可能である。
• 導出された公式は、ハイパーボリック半径が小さくなる、またはノードの角度的集中度が高くなるほどクラスタリングが増加することを示している。
• クラスタリング係数の解析的表現は熱力学的極限で有効であり、モデルの標準的仮定のもとで成立する。
• 結果は、ハイパーボリックランダムグラフモデルが自然に高いクラスタリングを生成することを確認しており、実世界の複雑ネットワークにおける経験的観察と整合的である。