[논문 리뷰] Scalable Betweenness Centrality Maximization via Sampling

Ahmad Mahmoody, Charalampos E. Tsourakakis외 1명|arXiv (Cornell University)|2016. 09. 03.

Complex Network Analysis Techniques참고 문헌 39인용 수 13

한 줄 요약

이 논문은 Betweenness Centrality Maximization (BCM)를 위한 확장 가능한 랜덤화 알고리즘인 HEDGE를 제안한다. 이 알고리즘은 효율적인 최단경로 샘플링을 통해 높은 확률로 $(1 - 1/e - ε)$-근사값을 달성한다. 이는 널리 사용되는 가정인 최적의 중앙성은 $Θ(n^2)$임을 처음으로 이론적으로 정당화하며, 이는 실세계 네트워크에서의 근사 선형 실행 시간을 설명하고, 단조-하위모듈라 중앙성 측정법으로의 확장도 일반적인 분석 프레임워크를 통해 가능하게 한다.

ABSTRACT

Betweenness centrality is a fundamental centrality measure in social network analysis. Given a large-scale network, how can we find the most central nodes? This question is of key importance to numerous important applications that rely on betweenness centrality, including community detection and understanding graph vulnerability. Despite the large amount of work on designing scalable approximation algorithms for betweenness centrality, estimating it on large-scale networks remains a computational challenge. In this paper, we study the Betweenness Centrality Maximization problem: given a graph $G=(V,E)$ and a positive integer $k$, find a set $S^* \subseteq V$ that maximizes betweenness centrality subject to the cardinality constraint $|S^*| \leq k$. We present an efficient randomized algorithm that provides a $(1-1/e-ε)$-approximation with high probability, where $ε>0$. Our results improve the current state-of-the-art result by Yoshida~\cite{yoshida2014almost}. Furthermore, we provide theoretical evidence for the validity of a crucial assumption in the literature of betweenness centrality estimation, namely that in real-world networks $O(|V|^2)$ shortest paths pass through the top-$k$ central nodes, where $k$ is a constant. On the experimental side, we perform an extensive experimental analysis of our method on real-world networks, demonstrate its accuracy and scalability, and study different properties of central nodes. Finally, we provide three graph mining applications of our method.

연구 동기 및 목표

• 대규모 네트워크에서 중앙성 중심 노드를 식별하는 데 발생하는 계산적 과제를 해결하기 위해.
• 기존의 중심성 최대화 문제(CMP) 근사 알고리즘의 확장성과 샘플 크기를 향상시켜 개선하기 위해.
• 이전 연구에서 사용되었지만 공식적인 검증이 부족했던 $\texttt{OPT}_k = \Theta(n^2)$라는 가정에 대한 이론적 정당성을 제공하기 위해.
• 초모서리 샘플러를 갖춘 일반적인 분석 프레임워크를 개발하여 다른 단조-하위모듈라 중심성 측정법에 적용 가능하도록 하기 위해.
• 실세계 응용 분야인 네트워크의 내구성 및 영향력 확산에서 알고리즘의 정확성, 확장성, 실용성을 경험적으로 검증하기 위해.

제안 방법

• HEDGE 알고리즘은 각 샘플이 소스-싱크 쌍 사이의 단일 경로로 구성되며, 경로 상의 모든 노드가 아니라 특정 경로를 샘플링하는 랜덤화된 최단경로 샘플링을 사용한다.
• 몬테카를로 샘플링을 활용해 노드 집합의 중앙성 중심도를 추정하며, 농도 경계를 활용해 높은 확률로 근사 보장을 확보한다.
• 체르노프 경계와 하위모듈라 최적화 이론을 적용해 CMP에 대해 $(1 - 1/e - \epsilon)$-근사값을 고확률로 도출한다.
• 상위-$k$ 중심 노드를 통과하는 최단경로의 수가 $O(|V|^2)$임이라는 구조적 성질을 활용해 실세계 네트워크에서 근사 선형 실행 시간을 달성하도록 설계되어 있다.
• 모든 중심성 측정법이 단조-하위모듈라이면서 초모서리 샘플러를 지원하는 경우에 적용 가능한 일반적인 분석 프레임워크를 도입한다.
• 이 프레임워크를 통해 $\kappa$-경로 중심성 및 삼각형 중심성과 같은 다른 중심성 측정법으로의 확장이 가능해져 표준 중앙성 중심도를 넘는 광범위한 적용 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 실세계 네트워크에서 $\texttt{OPT}_k = \Theta(n^2)$라는 가정이 이론적으로 성립하는가, 아니면 경험적 관찰에 그치는가?
• RQ2 기존 연구 대비 더 작은 샘플 크기로도 $(1 - 1/e - \epsilon)$-근사값을 달성할 수 있는 샘플링 기반 알고리즘이 존재하는가?
• RQ3 이론적으로는 이차 복잡도를 가지는 중앙성 계산에 비해 실세계 네트워크에서 알고리즘이 근사 선형 시간에 실행되는 이유는 무엇인가?
• RQ4 제안된 분석 프레임워크는 표준 중앙성 중심도를 초월한 다른 중심성 측정법으로 일반화될 수 있는가?
• RQ5 HEDGE가 식별한 최상위 중심 노드들이 시간에 따라 변화하는 네트워크와 실세계 네트워크에서 네트워크의 내구성과 영향력 확산에 미치는 영향은 어떠한가?

주요 결과

• HEDGE 알고리즘은 높은 확률로 중심성 최대화 문제에 대해 $(1 - 1/e - \epsilon)$-근사값을 달성하며, 이는 이전 최고 성능 결과 [48]를 초월한다.
• 논문은 제한된 트리너비와 스토케스티크 스케일프리 네트워크에서 $\texttt{OPT}_k = \Theta(n^2)$라는 가정에 대해 이론적으로 정당성을 처음으로 제시한다. 이는 이전 연구에서 핵심 가정으로 사용되었지만 공식적인 검증이 없었던 바이다.
• 실세계 네트워크에서 알고리즘이 근사 선형 시간에 실행되는 이유는 상위-$k$ 중심 노드를 통과하는 최단경로의 수가 $O(|V|^2)$이기 때문이며, 이는 이론적으로 확인된 구조적 성질이다.
• 실험적 평가 결과, HEDGE는 그래프 크기에 따라 유연하게 확장되며 정확한 중심도 추정을 제공하며, 정확성과 효율성 면에서 기존 샘플링 방법을 모두 능가한다.
• HEDGE가 식별한 최상위 중심 노드들은 표적 공격 하에서 가장 큰 연결 성분의 크기를 크게 감소시켜, 그들의 구조적 중요성을 확인한다.
• 높은 중앙성 중심도와 높은 영향력 사이에 강한 상관관계가 있으며, 중심 노드들은 일반 히우리스틱 영향력 확산 방법보다 뛰어난 성능을 보인다.