[论文解读] Tracking Network Dynamics: a review of distances and similarity metrics.

Claire Donnat, Susan Holmes|arXiv (Cornell University)|Jan 22, 2018

Complex Network Analysis Techniques参考文献 54被引用 14

一句话总结

本文综述了用于纵向研究中网络动态追踪的图距离，强调了节点对齐感知的度量方法，以提高对结构变化的敏感性。文章根据度量方法检测微生物组和fMRI数据中协变量效应的能力，提供了实用的选型指导，并结合置换检验和合成案例进行说明。

ABSTRACT

From longitudinal biomedical studies to social networks, graphs have emerged as a powerful framework for describing evolving interactions between agents in complex systems. In such studies, after pre-processing, the data can be represented by a set of graphs, each representing a system's state at different points in time. The analysis of the system's dynamics depends on the selection of the appropriate analytical tools. After characterizing similarities between states, a critical step lies in the choice of a distance between graphs capable of reflecting such similarities. While the literature offers a number of distances that one could a priori choose from, their properties have been little investigated and no guidelines regarding the choice of such a distance have yet been provided. In particular, most graph distances consider that the nodes are exchangeable and do not take into account node identities. Accounting for the alignment of the graphs enables us to enhance these distances' sensitivity to perturbations in the network and detect important changes in graph dynamics. Thus the selection of an adequate metric is a decisive --yet delicate--practical matter. In the spirit of Goldenberg, Zheng and Fienberg's seminal 2009 review, the purpose of this article is to provide an overview of commonly-used graph distances and an explicit characterization of the structural changes that they are best able to capture. We use as a guiding thread to our discussion the application of these distances to the analysis of both a longitudinal microbiome dataset and a brain fMRI study. We show examples of using permutation tests to detect the effect of covariates on the graphs' variability. Synthetic examples provide intuition as to the qualities and drawbacks of the different distances. Above all, we provide some guidance for choosing one distance over another in certain types of applications.

研究动机与目标

• 为纵向网络分析中选择合适的图距离提供系统性指导。
• 评估节点身份感知度量方法相较于可交换节点方法，在检测结构变化方面的敏感性提升。
• 根据网络动态类型和研究问题，提供选择图距离的实际建议。
• 展示置换检验在检测协变量对图变异性影响方面的有效性。
• 通过真实和合成网络数据，阐明不同距离方法的优势与局限性。

提出的方法

• 系统性综述与表征常用图距离，重点关注其对特定结构变化的敏感性。
• 应用保留节点身份的节点对齐感知距离，以提升对网络结构扰动的检测能力。
• 使用置换检验评估协变量对纵向数据集中图变异性影响的显著性。
• 通过合成网络示例，说明不同距离在受控结构变化下的行为与局限性。
• 对两个真实世界数据集（一项纵向微生物组研究和一项脑fMRI研究）进行分析，以评估距离性能。
• 明确比较不同距离在捕捉边、节点或社区层面动态方面的表现。

实验结果

研究问题

• RQ1 在保留节点身份的情况下，哪些图距离在检测纵向网络数据中细微结构变化方面最为有效？
• RQ2 节点对齐感知距离与可交换节点距离相比，在检测网络动态扰动方面表现如何？
• RQ3 在真实世界生物医学应用中，选择一种距离度量而非另一种的实用影响是什么？
• RQ4 当使用不同图距离时，置换检验能否可靠检测到协变量对网络变异性的影响？
• RQ5 每类图距离最适合捕捉何种结构变化？这如何指导方法选择？

主要发现

• 与将节点视为可交换的标准距离相比，节点对齐感知图距离显著提升了对结构变化的敏感性。
• 基于图编辑或对齐操作的距离在合成网络中更有效地检测到边和节点层面的扰动。
• 在纵向微生物组数据集中，某些距离揭示了其他距离未能捕捉到的显著协变量效应。
• fMRI研究结果表明，对齐感知距离能更好地捕捉随时间推移的功能连接模式动态变化。
• 置换检验在结合适当的距离度量时，有效识别出协变量对网络变异性影响的统计显著性。
• 没有一种距离在所有情况下均全面优于其他距离；选择取决于感兴趣的结构变化类型（例如边的移动、社区重组）。