[论文解读] Empirical comparison of network sampling techniques

Neli Blagus, Lovro Šubelj+1 more|arXiv (Cornell University)|Jun 8, 2015

Complex Network Analysis Techniques参考文献 18被引用 6

一句话总结

本文对八个网络采样技术——四个带子图归纳与四个不带子图归纳的——在十个现实世界网络上进行了实证比较。结果表明，带子图归纳的技术系统性地低估了度分布和聚类分布，同时高估了平均度和密度；而不带子图归纳的技术则表现出相反的偏差，且后者对密度的估计更准确。RNS（随机节点选择）在整体性能上最为稳定。

ABSTRACT

In the past few years, the storage and analysis of large-scale and fast evolving networks present a great challenge. Therefore, a number of different techniques have been proposed for sampling large networks. In general, network exploration techniques approximate the original networks more accurately than random node and link selection. Yet, link selection with additional subgraph induction step outperforms most other techniques. In this paper, we apply subgraph induction also to random walk and forest-fire sampling. We analyze different real-world networks and the changes of their properties introduced by sampling. We compare several sampling techniques based on the match between the original networks and their sampled variants. The results reveal that the techniques with subgraph induction underestimate the degree and clustering distribution, while overestimate average degree and density of the original networks. Techniques without subgraph induction step exhibit exactly the opposite behavior. Hence, the performance of the sampling techniques from random selection category compared to network exploration sampling does not differ significantly, while clear differences exist between the techniques with subgraph induction step and the ones without it.

研究动机与目标

• 评估并比较各种网络采样技术在保持现实世界网络关键网络属性方面的准确性。
• 研究子图归纳对采样准确性的影响，特别是对度分布、聚类、平均度和密度的影响。
• 确定随机选择方法与网络探索技术在近似原始网络结构方面何者更优。
• 识别不同采样策略引入的系统性偏差，特别是涉及子图归纳的策略。
• 基于网络特征和期望的属性保持，为未来采样方法的选择提供指导。

提出的方法

• 本研究评估了八种采样技术：四种带子图归纳（RNSI、RNDI、RLSI、RLI）和四种不带子图归纳（RNS、RND、RLS、RL），应用于十个现实世界网络。
• 采样规模设定为原始网络大小的10%至30%，以在效率与准确性之间取得平衡，符合既定基准。
• 子图归纳指在节点采样时包含所有采样节点之间的相互连接（节点基础采样），或在边采样时包含所有采样边端点之间的所有连接（边基础采样）。
• 通过统计度量评估原始网络与采样网络的一致性：外部学生化残差和显著性水平为p = 0.05的双尾t检验，以检测显著不一致。
• 分析的关键网络属性包括度分布、聚类系数分布、平均度和网络密度。
• 分析将采样变体与所有十个数据集中的原始网络进行比较，重点关注系统性偏差和结果的一致性。

实验结果

研究问题

• RQ1 不同采样技术在保持现实世界网络度分布方面表现如何？
• RQ2 子图归纳对采样网络属性（如聚类和密度）估计的准确性有何影响？
• RQ3 网络探索技术（如随机游走、森林火灾模型）是否优于随机选择方法以保持网络结构？
• RQ4 子图归纳是否在平均度和网络密度估计中引入系统性偏差？
• RQ5 哪种采样技术在多样化的现实世界网络中提供了最稳定和准确的近似？

主要发现

• 带子图归纳的技术系统性地低估了原始网络的度分布和聚类分布。
• 相反，不带子图归纳的技术则高估了度分布和聚类分布。
• 子图归纳导致平均度和网络密度的高估，而无子图归纳的技术则低估这些指标。
• 随机选择技术（如RNS）的性能与网络探索技术相比无显著差异，但子图归纳与非归纳方法之间的差异十分明显。
• 在所有技术中，RNS（随机节点选择）在所有评估的网络属性上均表现出最稳定且一致的准确性。
• 在探索类技术中，RWI（带子图归纳的随机游走）表现最佳，但其仍表现出与其他子图归纳方法相同的偏差模式。