[論文レビュー] Estimating the Degree Centrality Ranking of a Node

Akrati Saxena, Vaibhav Malik+1 more|arXiv (Cornell University)|Nov 18, 2015

Complex Network Analysis Techniques参考文献 37被引用数 7

ひとこと要約

本稿では、大規模な複雑ネットワークにおけるノードの次数中心性ランクを、完全なネットワーク構造を必要とせずに推定するサンプリングベースの手法を提案する。局所的なノード次数と、ネットワークサイズ、平均次数、最小次数、次数分布のパワー則指数といったグローバルなネットワークパラメータを活用することで、ノードのランクを全ノード数のおよそ5%の平均誤差で推定でき、バラバシ＝アルバートネットワークにおける高次ノードにおいて高い正確性を示している。

ABSTRACT

Complex networks have gained more attention from the last few years. The size of real-world complex networks, such as online social networks, WWW network, collaboration networks, is increasing exponentially with time. It is not feasible to collect the complete data and store and process it. In the present work, we propose a method to estimate the degree centrality rank of a node without having the complete structure of the graph. The proposed algorithm uses the degree of a node and power-law exponent of the degree distribution to calculate the ranking. Simulation results on the Barabasi-Albert networks show that the average error in the estimated ranking is approximately $5\%$ of the total number of nodes.

研究の動機と目的

• 完全なネットワークデータを収集・保存することが現実的でない、動的に成長する大規模な複雑ネットワークにおいて、ノード中心性ランクを推定する課題に対処すること。
• 完全なグラフ構造を必要とせず、局所的ノード次数とグローバルネットワークパラメータのみを用いて、次数中心性ランクを推定する手法を開発すること。
• 社会的ネットワークなど実世界の応用において、絶対的中心性値よりも相対的ランク（例：百分位）が意味を持つことから、効率性とスケーラビリティを向上させること。
• ネットワークサイズ、平均次数、パワー則指数といった重要なネットワークパラメータをサンプリング技術によって推定することで、計算コストを最小限に抑えること。

提案手法

• 本手法は、ノードの次数とネットワークの次数分布のパワー則指数を用いて、次数中心性ランクを推定する。
• 全ネットワークへのアクセスを避けるために、サンプリング技術を用いて全ノード数、最小次数、平均次数といった必須ネットワークパラメータを計算する。
• 次数 k を持つノードの期待ランクは、二項確率モデルを用いて導出される：E[r(v)|deg(v)=k] = (n−1)p + 1、ここで p はランダムに選ばれたノードが次数 > k を持つ確率である。
• 推定ランクの分散は Var(r(v)|deg(v)=k) = (n−1)p − (n−1)p² − 2 として計算され、推定の不確実性を定量化する。
• 本手法はパワー則次数分布を仮定し、次数 k を持つノードが全ノードの中で順位 α に位置する確率をモデル化する。
• 本手法はバラバシ＝アルバートネットワークおよび実世界のネットワークで検証され、実際のランクと推定ランクの絶対差として誤差が測定されている。

実験結果

リサーチクエスチョン

• RQ1 ノードの局所的次数とグローバルネットワークパラメータのみを用いて、次数中心性ランクを正確に推定できるか？
• RQ2 スケールフリー・ネットワークにおいて、異なる次数を持つノードの推定誤差はどのように変化するか？
• RQ3 推定ランクの分散は、ノードの次数とネットワークサイズにどの程度依存するか？
• RQ4 ネットワークサイズ、平均次数などのパラメータをサンプリングによって推定することで、全ネットワークアクセスなしに正確なランク予測が可能か？

主な発見

• さまざまなネットワークサイズにおいて、推定された次数中心性ランクの平均誤差は、全ノード数のおよそ5%である。
• 高次ノードでは著しく低い誤差を達成するが、次数分布の疎らさのため、低次ノードでは誤差が増加する。
• ノード数が 10,000 から 90,000 のネットワークでは、平均誤差は 530.80 から 4,860.14 の範囲にあり、標準偏差は 466.67 から 4,254.90 の間である。
• 高次ノードでは推定ランクの分散が低く、予測の信頼性が高くなるのに対し、低次ノードでは分散が高くなる。
• 実際のランクと推定ランクは、常に予測された分散の範囲内に位置しており、統計モデルの信頼性が裏付けられている。
• 最小15個の次数値を除くことで精度が向上するため、次数分布のギャップ（欠落した次数）が推定誤差に寄与していると考えられる。