[論文レビュー] Scale-free Networks without Growth or Preferential Attachment: Good get Richer

Guido Caldarelli, Andrea Capocci+2 more|arXiv (Cornell University)|Jul 15, 2002

Complex Network Analysis Techniques被引用数 10

ひとこと要約

本稿は、成長や優先的付着を伴わない静的でフィットネスに基づくメカニズムを提案し、スケールフリーネットワークを生成する。各ノードに固定されたフィットネス値を割り当て、ノード間の接続確率をそのフィットネスの積に比例させるモデルにより、べき則則的度数分布（P(k) ∼ k⁻ᵞ）が得られ、γ ≈ 2 となる。これは、『良いものがより良くなる』ダイナミクス—すなわち、優先的付着ではなくノードの内因的性質によって駆動される—が、実世界のネットワークにおけるスケールフリーネットワーク構造を説明できることを示している。

ABSTRACT

A new mechanism leading to scale-free networks is proposed in this letter. It is shown that in many cases of interest, the connectivity power-law behavior is neither related to dynamical properties nor to preferential attachment. Instead, we show that without increasing the number of vertices in time and without applying the so called {\it ``rich-get-richer''} condition we obtain networks whose statistical properties are scale-free. Assigning a quenched fitness value $x_i$ to every vertex, and drawing links among vertices with a probability depending on the fitnesses of the two involved sites, gives rise to what we call a {\it ``good-get-richer''} mechanism, in which sites with larger fitness are more likely to become hubs (i.e., to be highly connected). This procedure generates power-law behaviors for various fitness distributions and attaching rules.

研究の動機と目的

• スケールフリーネットワークの出現に成長と優先的付着が必要であるという一般的な仮定に挑戦すること。
• 固定フィットネス値とフィットネス依存的リンク形成がスケールフリーネットワーク構造を生成できるかどうかを調査すること。
• 内因的ノード特性を持つ静的ネットワークモデルが、実際のネットワークで観察されるべき乗則則的度数分布を再現できることを示すこと。
• ノードの次数が利用可能でない、あるいはリンク形成に使用されないようなシステムにおけるこのメカニズムの意味を検討すること。

提案手法

• 各ノードに確率分布 $\rho(x)$ から抽出された固定フィットネス値 $x_i$ を割り当てる。
• 関与する二つのノードのフィットネスに依存する対称的リンク確率 $f(x_i, x_j)$ を定義する。
• 特定の形 $f(x_i, x_j) = (x_i x_j)/x_M^2$ を用いて、平均次数 $k(x) = N \langle x \rangle x / x_M^2$ を導出する。
• 累積フィットネス関数の逆関数を用いて度数分布 $P(k)$ を導出する。$P(k) = \frac{x_M^2}{N\langle x \rangle} \rho\left(\frac{x_M^2}{N\langle x \rangle}k\right)$。
• N = 10^4 個のノードを持つネットワークをシミュレートし、次数、クラスタリング係数、媒介性の分布を分析する。
• 二重ハイブリッドタンパク質相互作用スクリーニングなど、ネットワーク探索における検出限界を模倣するためのしきい値ルールを適用する。

実験結果

リサーチクエスチョン

• RQ1 成長や優先的付着がなければスケールフリーネットワークは出現できるか？
• RQ2 フィットネスに基づく静的ネットワークモデルは、べき則則的度数分布を再現するのに十分か？
• RQ3 度数分布はフィットネス分布とリンク形成ルールにどのように依存するか？
• RQ4 しきい値ベースのネットワーク検出手法が、そうでないネットワークにおいてもスケールフリーベイアーバーハイブリッドの錯覚を生じさせ得るか？
• RQ5 このメカニズムは、電子メールネットワークやタンパク質相互作用ネットワークのような実世界のシステムにどのような意味を持つのか？

主な発見

• さまざまなフィットネス分布（べき則則と指数分布を含む）に対して、モデルは指数 $\gamma \approx 2$ のべき則則的度数分布を生成する。
• フィットネス分布が指数分布（$\rho(x) = e^{-x}$）であり、しきい値ルールが適用された場合、度数分布 $P(k)$ は $P(k) \propto k^{-2}$ に従う。
• 平均近隣次数 $k_{nn}(k)$ は $k$ に対して線形的依存を示し、『良いものがより良くなる』メカニズムに整合的である。
• 媒介性分布もべき則則を示し、指数 $\gamma_b \approx 2$ となる。これは、高フィットネスノードが次数と両方の意味でハブとして機能することを示している。
• 次数情報が入手不可なネットワーク（例：二重ハイブリッドタンパク質相互作用スクリーニング）においても、実際のスケールフリーベイアーバーハイブリッドが観察される理由を説明できる。
• モデルの静的性質により、動的成長や優先的付着を必要とせず、実世界のネットワークの主要なトポロジカル特徴を再現できる。