[论文解读] Feature-Based Classification of Networks

Ian Barnett, Nishant Malik+3 more|arXiv (Cornell University)|Oct 19, 2016

Complex Network Analysis Techniques参考文献 17被引用 11

一句话总结

本文提出了一种混合网络分类方法，结合人工选择的网络特征（如度相关性、聚类系数和中心性度量）与自动机器学习分类器（如随机森林）。该方法在分类准确率、可解释性以及计算速度方面均优于纯人工或完全自动化的方法，在按星期几分类社交网络以及按癌症类型分类生物网络方面表现出色。

ABSTRACT

Network representations of systems from various scientific and societal domains are neither completely random nor fully regular, but instead appear to contain recurring structural building blocks. These features tend to be shared by networks belonging to the same broad class, such as the class of social networks or the class of biological networks. At a finer scale of classification within each such class, networks describing more similar systems tend to have more similar features. This occurs presumably because networks representing similar purposes or constructions would be expected to be generated by a shared set of domain specific mechanisms, and it should therefore be possible to classify these networks into categories based on their features at various structural levels. Here we describe and demonstrate a new, hybrid approach that combines manual selection of features of potential interest with existing automated classification methods. In particular, selecting well-known and well-studied features that have been used throughout social network analysis and network science and then classifying with methods such as random forests that are of special utility in the presence of feature collinearity, we find that we achieve higher accuracy, in shorter computation time, with greater interpretability of the network classification results.

研究动机与目标

• 解决纯人工或完全自动化网络分类方法存在的局限性，后者常因准确率低或可解释性差而受限。
• 开发一种可扩展且可解释的方法，利用领域特定知识进行特征选择，同时受益于自动化分类。
• 通过结合有意义的结构特征与稳健的机器学习模型，提升真实世界网络数据集的分类准确率。
• 在包括社交通信网络与生物调控网络在内的多样化领域中，证明该方法的有效性。
• 表明网络特征之间的共线性问题（在特征中普遍存在）可通过随机森林等分类器有效处理。

提出的方法

• 从社交网络分析与网络科学中手动选择公认的网络特征，包括度、介数中心性、基序计数和聚类系数。
• 在社交网络中引入节点属性（如性别、年龄和地理接近度，例如邮政编码）作为额外特征。
• 选用随机森林作为分类引擎，因其对特征共线性具有鲁棒性，并能评估特征重要性。
• 应用主成分分析（PCA）以降低度与聚类分布等高度相关特征的维度。
• 采用子采样策略（如雪球采样与基于邮政编码的采样）以评估分类器在不同网络规模下的稳定性与泛化能力。
• 使用k均值聚类结合特征向量（如度分布、局部聚类）作为分类性能的基线比较。

实验结果

研究问题

• RQ1 结合人工特征选择与自动化分类的混合方法是否能在网络分类中超越纯人工或完全自动化的方法？
• RQ2 在社交网络中引入节点属性（如性别、年龄、位置）在多大程度上能提升分类准确率？
• RQ3 在机器学习分类器中，网络特征之间存在高度共线性时，其性能是否仍能保持稳定而不下降？
• RQ4 该方法在真实通信数据中对按时间模式（如工作日与周末）分类网络的效果如何？
• RQ5 该方法能否利用调控网络特征准确区分不同肿瘤类型的生物网络？

主要发现

• 在COLLAB数据集上，该混合方法使用随机森林实现了76.5%的分类准确率，优于KNN（72.69%）及其他分类器。
• 在IMDB-BINARY数据集上，该方法达到72.4%的准确率，标准误为4.69%，在异构网络数据上表现稳健。
• 在REDDIT-BINARY数据集上，该方法实现了88.7%的准确率，显著优于KNN（87.63%）及其他模型。
• 在按星期几分类社交网络时，使用表5中特征（如度分布、聚类）的方法表现出高准确率，且误分类率随特征丰富度提升而下降。
• 对度与聚类分布的主成分使用减少了冗余性，并提升了模型稳定性，尤其在子采样网络中表现更优。
• 基于子采样网络构建的随机森林分类器表现出一致性能，平滑的回归拟合表明其在不同网络规模下具有可靠的泛化能力。