[论文解读] Higher-order motif analysis in hypergraphs

Quintino Francesco Lotito, Federico Musciotto+2 more|arXiv (Cornell University)|Aug 6, 2021

Complex Network Analysis Techniques参考文献 73被引用 4

一句话总结

本文引入了超图中的高阶基序——涉及三个或更多节点之间相互作用的、在统计上显著富集的小型子图——以捕捉超越成对连接的局部结构模式。该研究提出了一种高效的精确枚举与显著性检验算法，采用配置模型作为零模型，揭示了超图的不同家族类型以及一种结构强化机制，表明强烈的高阶相互作用与密集的成对连接之间存在关联。

ABSTRACT

A deluge of new data on social, technological and biological networked systems suggests that a large number of interactions among system units are not limited to pairs, but rather involve a higher number of nodes. To properly encode such higher-order interactions, richer mathematical frameworks such as hypergraphs are needed, where hyperlinks describe connections among an arbitrary number of nodes. Here we introduce the concept of higher-order motifs, small connected subgraphs where vertices may be linked by interactions of any order. We provide lower and upper bounds on the number of higher-order motifs as a function of the motif size, and propose an efficient algorithm to extract complete higher-order motif profiles from empirical data. We identify different families of hypergraphs, characterized by distinct higher-order connectivity patterns at the local scale. We also capture evidences of structural reinforcement, a mechanism that associates higher strengths of higher-order interactions for the nodes that interact more at the pairwise level. Our work highlights the informative power of higher-order motifs, providing a first way to extract higher-order fingerprints in hypergraphs at the network microscale.

研究动机与目标

• 开发一个框架，用于识别超图中统计上显著富集的高阶相互作用模式，突破传统成对网络基序的局限。
• 通过提取三阶与四阶超图基序，表征复杂系统的局部微观结构。
• 探究成对相互作用频率较高的节点是否也表现出更强的高阶相互作用，揭示潜在的结构强化机制。
• 提供一种高效且精确的算法，用于实证超图数据中的基序计数与显著性检验。
• 实现对生物、社交网络和脑网络等应用中高阶网络结构的可扩展分析。

提出的方法

• 将高阶基序组合表征为由任意阶超边连接的k个节点的连通子图。
• 采用精确的分层算法，通过从大小为k的超边出发，经由邻域扩展迭代添加节点，枚举所有k个节点的诱导子图。
• 利用超图同构索引，将每个子图映射到其规范基序形式，实现常数时间的频率计数。
• 采用配置模型作为零模型，生成20个随机超图以计算期望的基序频率。
• 使用类似Z得分的delta统计量Δi = (N_real,i − ⟨N_rand,i⟩) / (N_real,i + ⟨N_rand,i⟩ + ε)计算显著性谱，其中ε = 4。
• 将显著性谱归一化为单位长度，以实现不同网络之间的可比性。

实验结果

研究问题

• RQ1 在真实世界的超图中，高阶基序——即群体相互作用的模式——是否比随机预期更频繁地出现？
• RQ2 能否基于其特征高阶基序谱识别出超图的不同家族？
• RQ3 是否存在一种结构强化机制，即成对相互作用密集的节点也更可能参与更强的高阶相互作用？
• RQ4 如何在实证超图数据中高效且精确地枚举高阶基序并进行统计检验？
• RQ5 与传统的成对基序分析相比，高阶基序在多大程度上提升了对网络微观结构的表征能力？

主要发现

• 研究识别出不同的超图家族，每类均以局部尺度上独特的高阶连通模式为特征。
• 观察到一种结构强化机制，即成对相互作用频率较高的节点倾向于形成更强的高阶相互作用。
• 四阶非同构高阶基序的数量为171个，数量可控，可实现精确枚举并存储于内存中。
• 所提出的算法能够对大小为3和4的基序实现完全提取，确保显著性检验的统计严谨性。
• 显著性谱（SP）提供了一种归一化、可比较的局部网络结构指纹，适用于不同超图之间的对比。
• 该框架成功捕捉了包括社交、生物和技术网络在内的多种真实世界系统在微观尺度上的结构指纹。