[논문 리뷰] PAFit: an R Package for Estimating Preferential Attachment and Node Fitness in Temporal Complex Networks

Thong Pham, Paul Sheridan외 1명|arXiv (Cornell University)|2017. 04. 20.

Complex Network Analysis Techniques인용 수 6

한 줄 요약

PAFit는 C++와 OpenMP를 사용하여 확장성을 확보한 R 패키지로, 성장하는 시간적 네트워크에서 선호적 첨부 및 노드 적합도의 비모수적 추정을 구현한다. 과학적 협력 네트워크에서 근사 선형 첨부 함수와 뚜렷한 적합도 변동성을 규명하여 '부자인 자가 더 부자가 되는' 및 '적합한 자가 더 부자가 되는' 동역학을 동시에 나타내며, 최고 수준의 과학자들은 높은 적합도 점수를 보인다.

ABSTRACT

Many real-world systems are profitably described as complex networks that grow over time. Preferential attachment and node fitness are two simple growth mechanisms that not only explain certain structural properties commonly observed in real-world systems, but are also tied to a number of applications in modeling and inference. While there are statistical packages for estimating various parametric forms of the preferential attachment function, there is no such package implementing non-parametric estimation procedures. The non-parametric approach to the estimation of the preferential attachment function allows for comparatively finer-grained investigations of the `rich-get-richer' phenomenon that could lead to novel insights in the search to explain certain nonstandard structural properties observed in real-world networks. This paper introduces the R package PAFit, which implements non-parametric procedures for estimating the preferential attachment function and node fitnesses in a growing network, as well as a number of functions for generating complex networks from these two mechanisms. The main computational part of the package is implemented in C++ with OpenMP to ensure scalability to large-scale networks. We first introduce the main functionalities of PAFit through simulated examples, and then use the package to analyze a collaboration network between scientists in the field of complex networks. The results indicate the joint presence of `rich-get-richer' and `fit-get-richer' phenomena in the collaboration network. The estimated attachment function is observed to be near-linear, which we interpret as meaning that the chance an author gets a new collaborator is proportional to their current number of collaborators. Furthermore, the estimated author fitnesses reveal a host of familiar faces from the complex networks community among the field's topmost fittest network scientists.

연구 동기 및 목표

• 성장하는 네트워크에서 선호적 첨부 함수의 비모수적 추정을 지원하는 통계 패키지의 부족을 해결하기 위해.
• 시간적 복잡 네트워크에서 선호적 첨부 및 노드 적합도를 추정하기 위한 확장 가능한 계산 프레임워크를 개발하기 위해.
• 모수적 가정을 초과한 세밀한 '부자인 자가 더 부자가 되는' 현상의 조사를 가능하게 하기 위해.
• 추정된 첨부 및 적합도 메커니즘을 기반으로 합성 네트워크를 생성하기 위한 도구를 제공하기 위해.
• 실제 데이터(예: 과학적 협력 네트워크)에 적용하여 잠재적 성장 동역학을 규명하기 위해.

제안 방법

• 네트워크 스냅샷에서의 경험적 차수 성장 데이터를 사용하여 선호적 첨부 함수의 비모수적 추정.
• 연결 확률에 영향을 주는 시간에 따라 변하지 않는 매개변수로 개별 노드의 적합도 추정.
• 대규모 네트워크의 효율적 처리를 위해 C++로 구현하고 OpenMP를 통한 병렬 처리를 적용한 핵심 알고리즘 구현.
• 특정 기능 형태를 가정하지 않고 첨부 함수를 추정하기 위해 커널 스무딩 또는 유사한 비모수 기법의 사용.
• 추정된 첨부 및 적합도 매개변수를 기반으로 네트워크 성장을 시뮬레이션하는 네트워크 생성 기능 통합.
• 실제 과학적 협력 네트워크에 적용하기 전에 시뮬레이션된 네트워크 데이터를 사용하여 방법의 유효성 검증.

실험 결과

연구 질문

• RQ1 과학적 협력 네트워크에서 선호적 첨부 함수가 선형 또는 비선형 패턴을 얼마나 잘 따르는가?
• RQ2 개별 노드의 적합도는 저자 간에 어떻게 다양하게 나타나며, 어떤 과학자들이 뚜렷이 높은 적합도를 보이는가?
• RQ3 '부자인 자가 더 부자가 되는' 및 '적합한 자가 더 부자가 되는' 메커니즘이 네트워크의 구조를 얼마나 공동으로 형성하는가?
• RQ4 비모수적 추정은 모수적 모델로는 탐지할 수 없는 구조적 패턴을 드러낼 수 있는가?
• RQ5 대규모 실세계 시간적 네트워크에 대해 추정 절차의 확장성은 어느 정도인가?

주요 결과

• 협력 네트워크에서 추정된 선호적 첨부 함수는 근사 선형인데, 이는 새로운 협력 형성이 현재 협력자 수에 비례함을 나타낸다.
• 노드 적합도 추정치는 뚜렷한 이질성을 보이며, 복잡 네트워크 공동체의 주요 과학자들이 가장 높은 적합도를 가짐을 보여준다.
• 선호적 첨부 효과와 적합도 효과의 공존은 인지도와 개인 능력이 모두 협력 형성에 기여함을 시사한다.
• 비모수적 접근법은 제약적인 모수적 가정을 도입하지 않고도 세밀한 성장 동역학을 성공적으로 포착한다.
• C++와 OpenMP 구현 덕분에 패키지가 대규모 네트워크에 대해 확장 가능하여 실세계 데이터셋의 분석이 가능하다.
• 결과는 네트워크의 구조를 형성하는 데 구조적 강화(부자인 자가 더 부자가 되는)와 개인의 능력(적합한 자가 더 부자가 되는)이 모두 작용함을 지지한다.