[论文解读] Gromov Centrality: A Multi-Scale Measure of Network Centrality Using Triangle Inequality Excess

Shazia’Ayn Babul, Karel Devriendt+1 more|arXiv (Cornell University)|May 10, 2022

Complex Network Analysis Techniques参考文献 36被引用 2

一句话总结

本文提出了Gromov中心性，一种基于度量空间中三角不等式余量的多尺度网络中心性度量方法。通过分析邻域大小（尺度参数l）下的局部与全局几何特性，该方法统一了局部聚类与全局接近度中心性，揭示了在合成网络和真实世界网络（如地铁系统）中节点在不同尺度下的结构角色。

ABSTRACT

Centrality measures quantify the importance of a node in a network based on different geometric or diffusive properties, and focus on different scales. Here, we adopt a geometrical viewpoint to define a multi-scale centrality in networks. Given a metric distance between the nodes, we measure the centrality of a node by its tendency to be close to geodesics between nodes in its neighborhood, via the concept of triangle inequality excess. Depending on the size of the neighborhood, the resulting Gromov centrality defines the importance of a node at different scales in the graph, and recovers as limits well-known concept such as the clustering coefficient and closeness centrality. We argue that Gromov centrality is affected by the geometric and boundary constraints of the network, and illustrate how it can help distinguish different types of nodes in random geometric graphs and empirical transportation networks.

研究动机与目标

• 开发一种多尺度中心性度量，以捕捉网络中不同空间尺度下节点的重要性。
• 在单一几何框架下统一局部（如聚类系数）与全局（如接近度中心性）的中心性概念。
• 研究网络中的几何与边界约束如何影响不同尺度下节点的中心性。
• 展示Gromov中心性在区分实证交通网络与随机几何图中节点角色方面的实用性。

提出的方法

• 通过目标节点周围距离l以内的节点三元组，利用三角不等式余量定义Gromov中心性。
• 以网络中的最短路径距离作为底层度量，计算偏离三角不等式等式的几何偏差。
• 调整尺度参数l以控制邻域大小，实现中心性评估从局部到全局的过渡。
• 使用特定于l的Gromov系数进行谱聚类，以识别结构上不同的节点群组。
• 在随机几何图和实证地铁网络（巴黎与纽约）上验证该度量方法。
• 与已知的中心性度量进行比较，并通过几何曲率与网络拓扑解释研究结果。

实验结果

研究问题

• RQ1 如何通过单一中心性度量捕捉网络中多空间尺度下节点的重要性？
• RQ2 Gromov中心性在多大程度上能将已知的中心性度量（如聚类系数与接近度中心性）作为极限情况恢复？
• RQ3 网络中的几何与边界约束如何影响Gromov中心性在不同尺度下的分布？
• RQ4 Gromov中心性能否有效区分现实世界网络中不同类型节点（如枢纽、连接点、边缘节点）的角色？
• RQ5 尺度参数l如何影响复杂网络中结构重要节点的识别？

主要发现

• 当l → 0时，Gromov中心性恢复为局部聚类系数；当l → ∞时，恢复为全局接近度中心性，体现了其统一性。
• 在中间尺度（如l = 2, 5, 10）下，Gromov中心性识别出标准度量未能捕捉到的具有高度结构重要性的节点。
• 在巴黎地铁网络中，l = 2时的高中心性识别出如共和广场与蒙帕纳斯比耶内维尔等局部枢纽；而l = 10时则突出显示了如战神广场与歌剧院等中心站点。
• 在纽约地铁系统中，l = 15时的中心性识别出如大中央总站/42街与时代广场等主要换乘点，与它们在城市级连通性中的角色一致。
• 使用特定于l的Gromov系数进行谱聚类，成功地将地铁网络划分为地理与功能上一致的聚类。
• 该度量对网络拓扑敏感，高中心性值表明节点位于其邻域内的测地线上，反映出局部凝聚力与全局可达性的结合。