[論文レビュー] Continuous and robust clustering coefficients for weighted and directed networks

Kent Miyajima, Takashi Sakuragawa|arXiv (Cornell University)|Nov 29, 2014

Complex Network Analysis Techniques参考文献 15被引用数 6

ひとこと要約

本稿では、重み付きかつ有向ネットワークにおける連続的でロバストなクラスタリング係数を提案し、微小な辺重みの摂動に対しても安定性を保つ。これは、従来の一般化されたクラスタリング係数に見られる主要な限界を解消する。既存手法とは異なり、低重みがゼロに切り捨てられる場合に顕著に現れる不連続性を示さない。提案手法では、微小な重み変更が係数の変化を僅かにしか引き起こさない。実際、C. elegans神経ネットワークにおいて、同様のノイズ条件下で既存手法が436%の変化を示すのに対し、本手法は0.2%の変化にとどまる。

ABSTRACT

We introduce new clustering coefficients for weighted networks. They are continuous and robust against edge weight changes. Recently, generalized clustering coefficients for weighted and directed networks have been proposed. These generalizations have a common property, that their values are not continuous. They are sensitive with edge weight changes, especially at zero weight. With these generalizations, if vanishingly low weights of edges are truncated to weight zero for some reason, the coefficient value may change significantly from the original value. It is preferable that small changes of edge weights cause small changes of coefficient value. We call this property the continuity of generalized clustering coefficients. Our new coefficients admit this property. In the past, few studies have focused on the continuity of generalized clustering coefficients. In experiments, we performed comparative assessments of existing and our generalizations. In the case of a real world network dataset (C. Elegans Neural network), after adding random edge weight errors, though the value of one discontinuous generalization was changed about 436%, the value of proposed one was only changed 0.2%.

研究の動機と目的

• 重み付きかつ有向ネットワークにおける既存の一般化されたクラスタリング係数に見られる不連続性の問題を解決すること。特に、低重みがゼロに切り捨てられる場合に係数値が大きく変化するという点を改善する。
• 測定誤差や丸め誤差の影響を受ける実世界のネットワークにおいて、クラスタリング係数の計算のロバスト性を向上させること。
• 辺重みの関数として連続である新しいクラスタリング係数のクラスを導入し、微小な重み変更が微小な係数変更を引き起こすことを保証すること。
• 実世界のネットワークにおける連続性の実用的利点を、実験的評価を通じて示し、重み摂動に対する感受性が著しく低減されることを明らかにすること。

提案手法

• 辺重みの連続的集合関数を用いて、重み付きかつ有向ネットワークの新しい局所的クラスタリング係数を定義し、不連続なしきい値処理や最大/最小演算の代わりに使用する。
• 4つのバリエーションを提案：$C_{glo,mu}$, $C_{glo,gm}$, $C_{glo,min}$, および $C_{glo,hm}$。それぞれ平均、幾何平均、最小値、調和平均に基づく異なる連続的集合方法を用いる。
• バイナリのしきい値や区分的定義を避けることで連続性を確保。重みがゼロに近づいても安定する滑らかで微分可能な関数を用いる。
• 局所的およびグローバルなクラスタリング測度に適用し、ノードレベルとネットワークレベルの指標の間で一貫性のある分析を可能にする。
• ネットワークタイプ間での数学的整合性を保証するため、[0,1]区間の正規化された辺重みを用いる。
• 解析的および実験的に連続性の性質を検証。微小なランダム誤差（例：$10^{-12}$, $10^{-9}$, $10^{-6}$）を辺重みに摂動として加え、係数の安定性を測定する。

実験結果

リサーチクエスチョン

• RQ1 重み付きかつ有向ネットワークにおける既存の一般化されたクラスタリング係数は、微小な辺重み摂動に対してどのように振る舞うか？
• RQ2 特に重みがゼロに近づく領域において、クラスタリング係数を辺重みの連続関数として定義可能か？
• RQ3 連続性は、ノイズや不正確な辺重みを持つ実世界のネットワークにおいて、どの程度ロバスト性を向上させるか？
• RQ4 制御された重み摂動条件下で、提案された連続的係数は不連続な既存手法とどのように定量的に比較できるか？
• RQ5 クラスタリング係数の連続性は、実用的応用におけるより信頼性の高いネットワーク解析をもたらすか？

主な発見

• C. elegans神経ネットワークにおいて、既存のOpsahl AM係数は辺重みを$10^{-12}$から$10^{-6}$に摂動させた際、423%の増加を示し、高い感受性を示した。
• これに対して、提案された$C_{glo,mu}$係数は、すべての摂動レベルで0.0099のまま変化がなく、完全な連続性を示した。
• C. elegansネットワークにおいて、提案された$C_{glo,min}$係数は、同じ摂動条件下でわずか0.2%（0.0709から0.0712）の変化にとどまり、一方既存の$C_{ops,min}$係数は436%の変化を示した。
• Freeman EIESネットワークにおいて、提案された$C_{glo,gm}$係数は摂動後、1%未満（0.2688から0.2675）の変化にとどまり、一方既存手法は30%以上の変化を示した。
• 提案された係数は、すべてのテストされた摂動レベルで一貫して安定した値を維持し、連続性とロバスト性を確認した。
• 結果から、連続性が低重みエッジを有するネットワークにおける誤差伝搬を著しく低減することが明らかになった。