[論文レビュー] Degree Ranking Using Local Information

Akrati Saxena, Ralucca Gera+1 more|arXiv (Cornell University)|Jun 5, 2017

Complex Network Analysis Techniques参考文献 47被引用数 6

ひとこと要約

本稿では、スケールフリーネットワークにおけるノードの次数ランクを、ネットワーク全体の1%のサンプリングのみを用いて推定する4つの局所的アルゴリズムを提案する。サンプリング手法として、パワー則分布、一様サンプリング、およびランダムウォーク（RW、MH）を用いる。RW法は平均絶対誤差が0.2%未塔に抑えられ、全ネットワークへのアクセスなしに高精度かつスケーラブルなランク付けを実現する。

ABSTRACT

Most real world dynamic networks are evolved very fast with time. It is not feasible to collect the entire network at any given time to study its characteristics. This creates the need to propose local algorithms to study various properties of the network. In the present work, we estimate degree rank of a node without having the entire network. The proposed methods are based on the power law degree distribution characteristic or sampling techniques. The proposed methods are simulated on synthetic networks, as well as on real world social networks. The efficiency of the proposed methods is evaluated using absolute and weighted error functions. Results show that the degree rank of a node can be estimated with high accuracy using only $1\%$ samples of the network size. The accuracy of the estimation decreases from high ranked to low ranked nodes. We further extend the proposed methods for random networks and validate their efficiency on synthetic random networks, that are generated using Erdős-Rényi model. Results show that the proposed methods can be efficiently used for random networks as well.

研究の動機と目的

• 大規模かつ動的変化が激しいネットワーク全体を収集することが現実的でない次数ランク計算の課題を解決する。
• APIレート制限やネットワークの動的変化のため、最小限のネットワークサンプルのみを用いて局所的アルゴリズムを開発する。
• 局所的情報と小さなサンプルのみを用いて、スケールフリーネットワークおよびランダムネットワークの両方で高精度なランク推定を実現する。
• ポアソン次数分布を用いてランダムネットワークに拡張し、その効率性を検証する。
• ウイルス広告や疫学的モデル化などの応用において、影響力を持つノードを効率的に特定するスケーラブルなソリューションを提供する。

提案手法

• スケールフリーネットワークのパワー則次数分布を活用し、平均次数などのネットワークパラメータを用いてO(1)時間で次数ランクを推定する。
• 一様サンプリング（US）を用いて、代表的なノードの小規模なサンプルを収集し、局所的ランクをグローバルランクに外挿する。
• メトロポリス・ハスティングス（MH）および古典的ランダムウォーク（RW）を用いて、最小限のデータアクセスで局所的ネットワーク情報を収集する。
• サンプルデータからグローバルネットワークパラメータ（例：平均次数、最大次数）を推定し、ランク推定モデルに供給する。
• ランダムネットワークの場合、ポアソン次数分布を用いて各次数ごとのノード数をモデル化し、次の式を用いて期待ランクを計算する：$ E[R_G(u)] = n \cdot e^{-d_{avg}} \sum_{j=d_u+1}^{d_{max}} \frac{(d_{avg})^j}{j!} + 1 $。
• 推定されたパラメータ $ d'_{avg} $ と $ d'_{max} $ をポアソンベースの式に組み込み、推定ランク $ R_{est}(u) $ を計算する。

実験結果

リサーチクエスチョン

• RQ1 1%のネットワークサイズのみを用いて、局所的サンプリングにより次数ランクを高精度に推定できるか？
• RQ2 高次数ノードと低次数ノードの間で、ランク推定の精度はどのように異なるか？
• RQ3 一様サンプリング、ランダムウォーク、メトロポリス・ハスティングスのうち、どのサンプリング手法が最も高精度かつスケーラブルな次数ランク推定を実現するか？
• RQ4 提案手法はエローズ・レニー・モデルで生成されるランダムネットワークへも効果的に拡張可能か？
• RQ5 推定誤差は、ネットワークサイズや次数分布の違いによってどのように変化するか？

主な発見

• ランダムウォーク（RW）法は、実世界のネットワークにおいて平均絶対誤差0.16%、平均重み付き誤差0.13%を達成し、1%のサンプリングのみで高精度であることが示された。
• 次数ランク推定の精度は、高次数ノードに対して著しく高く、ランクが低下するにつれて誤差が増加する傾向がある。
• RW法は一様サンプリング（US）と同等の性能を示すが、データアクセス量が少なく、スケーラビリティに優れるため、実世界の動的ネットワークにおいてより実用的である。
• ポアソン次数分布に基づく手法（PD）は、平均次数の推定誤差に対して非常に感受性が高く、累積誤差が大きくなる傾向にあり、RWやUSに比べて信頼性が低い。
• ランダムネットワーク（エローズ・レニー・モデル）においても、RW法は低誤差を維持する。推定誤差は次数ランクの増加に伴い一時的に増加し、その後減少する傾向を示す（ポアソン分布の形状に起因）。
• 提案手法は、スケールフリーネットワークおよびランダムネットワークを含む多様なネットワークタイプに有効であり、合成ネットワークおよび実世界のネットワーク（20の実世界のソーシャルネットワークをテスト）において一貫した性能を示した。