[논문 리뷰] The Metric Space of Networks

Samir Chowdhury, Facundo Mémoli|arXiv (Cornell University)|2018. 04. 09.

Topological and Geometric Data Analysis참고 문헌 25인용 수 9

한 줄 요약

이 논문은 그래프 이somorphism을 '약한 이somorphism'으로 완화하고, 이를 바탕으로 호환 가능한 거리 함수를 정의함으로써 가중치가 있고 방향성이 있는 네트워크를 위한 새로운 거리 공간 프레임워크를 제안한다. 두 네트워크가 약한 이somorphism임은 그들이 모든 모티프 집합이 동일할 때이고, 오직 그 때에만 성립함을 증명하여 전역적에서 국소적 구조로의 복원이 가능하며, 약한 이somorphism을 네트워크 뼈대의 강한 이somorphism과 연결한다.

ABSTRACT

We study the question of reconstructing a weighted, directed network up to isomorphism from its motifs. In order to tackle this question we first relax the usual (strong) notion of graph isomorphism to obtain a relaxation that we call weak isomorphism. Then we identify a definition of distance on the space of all networks that is compatible with weak isomorphism. This global approach comes equipped with notions such as completeness, compactness, curves, and geodesics, which we explore throughout this paper. Furthermore, it admits global-to-local inference in the following sense: we prove that two networks are weakly isomorphic if and only if all their motif sets are identical, thus answering the network reconstruction question. Further exploiting the additional structure imposed by our network distance, we prove that two networks are weakly isomorphic if and only if certain essential associated structures---the skeleta of the respective networks---are strongly isomorphic.

연구 동기 및 목표

• 가중치가 있고 방향성이 있는 네트워크를 국소적 하위구조(모티프)로부터 이somorphism을 기준으로 복원하는 기본 문제를 해결하기 위해.
• 표준(강한) 그래프 이somorphism을 더 유연한 개념인 '약한 이somorphism'으로 완화하여, 모티프 기반 비교에서 구조적 동치성을 유지하기 위해.
• 약한 이somorphism과 호환되는 네트워크 공간 상의 전역 거리 함수를 정의하여, 네트워크 구조의 기하학적 분석을 가능하게 하기 위해.
• 전역 네트워크 성질이 국소적 모티프 데이터로부터 추론될 수 있는 조건을 확립하여, 전역적에서 국소적 추론을 지원하기 위해.
• 약한 이somorphism이 네트워크 뼈대의 강한 이somorphism과 동치임을 증명하여, 전역적 구조를 최소화하고 본질적인 표현으로 연결하기 위해.

제안 방법

• 모든 모티프 크기와 유형에서 동일한 모티프 집합을 가진 네트워크는 동치로 간주되는 '약한 이somorphism'을 도입하여 강한 이somorphism의 완화를 시도한다.
• 약한 이somorphism을 존중하는 네트워크 공간 상의 거리 함수를 정의하여, 완비성, 컴actness, 곡선, 지오데식과 같은 위상수학적 및 기하학적 분석이 가능하도록 한다.
• 약한 이somorphism 하에서 구조적 불변량을 유지하는 최소화되고 본질적인 표현인 네트워크의 '뼈대'를 구성한다.
• 모티프 집합을 완전한 불변량으로 사용: 두 네트워크가 약한 이somorphism이면 오직 그들 모티프 집합이 동일할 때에만 성립한다.
• 약한 이somorphism이 각각의 뼈대의 강한 이somorphism과 동치임을 증명하여, 더 단순하고 표준형으로의 축소를 제공한다.
• 네트워크 공간 내에서 곡선과 지오데식과 같은 도구를 활용하여 구조 전이와 관계를 분석하기 위해 유클리드 기하학의 도구들을 적용한다.

실험 결과

연구 질문

• RQ1 가중치가 있고 방향성이 있는 네트워크는 그 모티프 집합으로부터 이somorphism을 기준으로 복원될 수 있는가?
• RQ2 국소적 하위그래프로부터의 구조 정보를 유지하면서, 그래프 이somorphism의 적절한 완화는 무엇인가?
• RQ3 이완된 이somorphism과 호환되는 네트워크 공간 상의 전역 거리 함수는 어떻게 정의할 수 있는가?
• RQ4 약한 이somorphism과 네트워크 뼈대의 이somorphism 사이의 관계는 무엇인가?
• RQ5 일致한 기하학적 프레임워크를 통해 국소적 모티프 데이터로부터 전역 네트워크 성질을 추론할 수 있는가?

주요 결과

• 두 개의 가중치가 있고 방향성이 있는 네트워크가 약한 이somorphism임은 오직 그들이 모든 모티프 집합이 동일할 때에만 성립하며, 이는 네트워크 복원 문제에 대한 완전한 해결책을 제공한다.
• 제안된 네트워크 공간 상의 거리 함수는 약한 이somorphism과 호환되며, 완비성, 컴actness, 곡선, 지오데식과 같은 고급 기하학적 개념을 지원한다.
• 약한 이somorphism은 각 네트워크의 뼈대의 강한 이somorphism과 동치이며, 뼈대가 모든 본질적인 구조적 정보를 포괄하고 있음을 보여준다.
• 이 프레임워크는 전역적에서 국소적 추론을 가능하게 하며, 전역 네트워크 동치성은 국소적 모티프 데이터에 의해 결정된다.
• 거리 공간 구조는 기하학적 도구를 사용한 네트워크 집단의 분석을 가능하게 하여, 네트워크 진화와 분류 연구를 촉진한다.
• 결과적으로, 이는 네트워크의 모티프 구성과 뼈대 구조를 기반으로 복잡한 네트워크를 비교하고 분류하기 위한 엄밀한 기반을 마련한다.