[論文レビュー] Simple and accurate analytical calculation of shortest path lengths

Sergey Melnik, James P. Gleeson|arXiv (Cornell University)|Apr 19, 2016

Complex Network Analysis Techniques被引用数 4

ひとこと要約

本稿では、非重み付き・無向ネットワークにおける最短経路長の分布を、感受性・感染型エピデミックモデルとの類似性を用いて、単純かつ高精度に解析的に計算する手法を提示する。感染の広がりを離散時間プロセスとしてモデル化することで、ネットワークの次数分布または次数-次数連関分布のみを用いて、合成ネットワークおよび実世界のネットワークにおいて、既存の解析的手法を上回る高い精度で頂点間距離を予測できる。

ABSTRACT

We present an analytical approach to calculating the distribution of shortest paths lengths (also called intervertex distances, or geodesic paths) between nodes in unweighted undirected networks. We obtain very accurate results for synthetic random networks with specified degree distribution (the so-called configuration model networks). Our method allows us to accurately predict the distribution of shortest path lengths on real-world networks using their degree distribution, or joint degree-degree distribution. Compared to some other methods, our approach is simpler and yields more accurate results. In order to obtain the analytical results, we use the analogy between an infection reaching a node in $n$ discrete time steps (i.e., as in the susceptible-infected epidemic model) and that node being at a distance $n$ from the source of the infection.

研究の動機と目的

• 複雑ネットワークにおける最短経路長の分布を予測する計算効率の高い解析的手法の開発。
• 大規模ネットワークでは計算コストが高いため、数値的手法の限界を克服すること。
• 次数相関や非一様次数分布を示すネットワークではしばしば精度に欠ける既存の解析的近似手法の改善。
• 実世界のネットワークの次数分布または次数-次数連関分布のみを用いて、最短経路統計の高精度な予測を可能にすること。

提案手法

• 感受性・感染型エピデミックモデルにおける感染がノードに到達するまでの時間を、出発ノードからの最短経路長と類似させる。
• 感染の広がりを、各時刻ステップで感染済みノードがすべての感受性のある隣接ノードに感染を伝播させる離散時間プロセスとしてモデル化する。
• 時刻nにおけるノードが感染している確率をρₙと表記し、Dₙ = ρₙ − ρₙ₋₁により距離の分布を計算する。
• 任意の次数分布を有するネットワークに対して、次数分布pₖおよび次数-次数連関分布P(k,k′)に基づき、ρₙᵏおよびqₙᵏの再帰的式を導出する。
• 次数-次数連関を組み込むことで、感染拡散の再帰的式に次数-次数連関分布P(k,k′)を統合し、相関を考慮する。
• 実世界のネットワークに次数1のノードが存在する場合、巨大連結成分（GCC）の有限サイズ効果を補正するため、修正次数分布pₖʳᵉᶜを用いることで予測精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 非重み付き・無向ネットワークにおける最短経路長の分布は、次数分布のみを用いて、解析的に高精度に予測可能か？
• RQ2 エピデミック類似性は、完全な数値的計算を必要とせずに、頂点間距離を高精度に解析的に予測するためにどのように寄与するか？
• RQ3 次数相関および次数1のノードの存在が、解析的予測の精度に及ぼす影響はどの程度か？
• RQ4 修正次数分布を用いることで、有限サイズのGCCを有する実世界ネットワークの解析的予測精度は向上するか？

主な発見

• 提案手法は、指定された次数分布を持つ構成モデルネットワークにおいて、既存の解析的手法を上回る高い精度で最短経路長の分布を予測する。
• 本手法は、ネットワーク全体のトポロジーを必要とせず、次数分布または次数-次数連関分布のみを用いても、実世界ネットワークの最短経路長分布を高精度に予測できる。
• エピデミック類似性により、数値的全ペア最短経路アルゴリズムのO(mN + N²log N)の計算複雑度を回避する、単純でスケーラブルな解析フレームワークを実現する。
• 次数1のノードを含む実世界ネットワークでは、修正次数分布pₖʳᵉᶜを用いることで、GCCサイズ効果の補正がなされ、予測精度が顕著に向上する。
• 本手法により、pₖおよびP(k,k′)を用いてρₙᵏおよびqₙᵏを再帰的に計算可能であり、既知の次数統計を持つあらゆるネットワークタイプにおいてDₙの解析的計算が可能であることが示された。
• 数値的検証では、pₖʳᵉᶜを用いた予測が、直接的な数値計算による最短経路分布と非常に近い結果を示しており、特に非一様次数分布を示すネットワークにおいて顕著である。