[논문 리뷰] Predicting Graph Categories from Structural Properties

James P. Canning, Emma E. Ingram외 6명|arXiv (Cornell University)|2018. 05. 07.

Complex Network Analysis Techniques참고 문헌 47인용 수 6

한 줄 요약

이 논문은 복잡한 네트워크의 도메인 카테고리를 오직 구조적 성질만을 사용하여 예측하는 방법을 제안하며, 실제 및 합성 네트워크를 조합한 데이터셋에서 랜덤 포레스트 분류기로 96.6%의 정확도를 달성한다. 이는 서로 다른 구조적 지문이 고정밀도 분류를 가능하게 하며, 합성 그래프가 생성 모델에 따라 거의 완벽하게 예측 가능하다는 것을 보여준다.

ABSTRACT

This paper has been withdrawn from arXiv.org due to a disagreement among the authors related to several peer-review comments received prior to submission on arXiv.org. Even though the current version of this paper is withdrawn, there was no disagreement between authors on the novel work in this paper. One specific issue was the discussion of related work by Ikehara \& Clauset (found on page 8 of the previously posted version). Peer-review comments on a similar version made ALL authors aware that the discussion misrepresented their work prior to submission to arXiv.org. However, some authors choose to post to arXiv a minimally updated version without the consent of all authors or properly addressing this attribution issue. ================ Original Paper Abstract: Complex networks are often categorized according to the underlying phenomena that they represent such as molecular interactions, re-tweets, and brain activity. In this work, we investigate the problem of predicting the category (domain) of arbitrary networks. This includes complex networks from different domains as well as synthetically generated graphs from five different network models. A classification accuracy of $96.6\%$ is achieved using a random forest classifier with both real and synthetic networks. This work makes two important findings. First, our results indicate that complex networks from various domains have distinct structural properties that allow us to predict with high accuracy the category of a new previously unseen network. Second, synthetic graphs are trivial to classify as the classification model can predict with near-certainty the network model used to generate it. Overall, the results demonstrate that networks drawn from different domains (and network models) are trivial to distinguish using only a handful of simple structural properties.

연구 동기 및 목표

• 다양한 도메인의 복잡한 네트워크가 오직 구조적 성질에 기반하여 분류될 수 있는지 조사하기 위해.
• 기계학습 모델이 네트워크의 구조적 성질만을 사용하여 실제 세계 네트워크와 합성 네트워크를 얼마나 잘 구분할 수 있는지 평가하기 위해.
• 합성 네트워크 모델이 구조적 인식이 가능한 잔여 흔적을 남기며 정확한 분류를 가능하게 하는지 확인하기 위해.
• 다양한 네트워크 도메인과 모델 간에 구조적 특징의 일반화 능력을 평가하기 위해.

제안 방법

• 각 네트워크에서 추출한 14개의 단순한 구조적 성질을 기반으로 랜덤 포레스트 분류기를 훈련시킨다.
• 데이터셋에는 다섯 가지 도메인의 실제 네트워크와 다섯 가지 다른 네트워크 모델에서 생성된 합성 그래프가 포함되어 있다.
• 특징은 정규화되어 실제 및 합성 네트워크를 조합한 데이터셋에 기반해 분류기를 훈련하는 데 사용된다.
• 모델 성능은 안정성과 일반화 능력을 확보하기 위해 10겹 교차검증을 사용하여 평가된다.
• 예측 정확도를 평가하기 위해 기존에 보지 못한 네트워크로 분류기를 테스트한다.
• 연구는 도메인 특화 또는 의미적 정보를 배제하고 오직 구조적 특징에 집중한다.

실험 결과

연구 질문

• RQ1 다양한 도메인의 복잡한 네트워크가 오직 그들의 구조적 성질에 기반하여 정확하게 분류될 수 있는가?
• RQ2 기계학습 모델이 오직 구조적 특징만을 사용하여 실제 세계 네트워크와 합성 네트워크를 얼마나 잘 구분할 수 있는가?
• RQ3 합성 네트워크 모델이 얼마나 고유한 구조적 서명을 남기며 식별 가능하게 하는가?
• RQ4 다양한 도메인 간에 네트워크 카테고리를 가장 잘 예측하는 특정 구조적 특징은 무엇인가?

주요 결과

• 랜덤 포레스트 분류기는 오직 구조적 성질만을 사용하여 네트워크 카테고리를 구분할 때 96.6%의 분류 정확도를 달성했다.
• 합성 그래프는 거의 확실하게 분류되었으며, 이는 각 네트워크 모델이 고유하고 식별 가능한 구조적 패턴을 생성한다는 것을 의미한다.
• 결과는 서로 다른 도메인에서 온 네트워크가 고유한 구조적 지문을 가지며, 이는 고정밀도 분류에 충분하다는 것을 확인한다.
• 이 연구는 단순한 구조적 특징이 실제 및 합성 그래프를 포함한 다양한 네트워크 유형 간에 매우 구분 능력이 있다는 것을 보여준다.
• 높은 정확도는 도메인 특화 지식 없이도 구조적 성질만으로도 네트워크 카테고리를 충분히 구분할 수 있다는 것을 시사한다.