[论文解读] Higher-order Network Analysis Takes Off, Fueled by Classical Ideas and New Data

Austin R. Benson, David F. Gleich+1 more|arXiv (Cornell University)|Mar 8, 2021

Complex Network Analysis Techniques被引用 11

一句话总结

本文倡导采用高阶网络分析方法——包括超图、单纯复形和基于张量的模型——以超越成对交互作用，建模复杂系统。研究表明，这些方法能够更准确地描述现实世界现象，如疾病传播、网络浏览行为和生态动力学，关键进展包括高阶PageRank算法以及在高阶结构上的随机游走。

ABSTRACT

Higher-order network analysis uses the ideas of hypergraphs, simplicial complexes, multilinear and tensor algebra, and more, to study complex systems. These are by now well established mathematical abstractions. What's new is that the ideas can be tested and refined on the type of large-scale data arising in today's digital world. This research area therefore is making an impact across many applications. Here, we provide a brief history, guide, and survey.

研究动机与目标

• 解决传统图论网络分析在捕捉复杂系统中多路交互作用方面的局限性。
• 展示经典数学抽象（如超图、单纯复形和张量代数）如何应用于现代大规模数据。
• 表明高阶模型在疾病传播、网络浏览和生态系统等应用中可提升建模保真度。
• 探索高阶网络方法在真实世界数据中扩展时面临的计算与算法挑战。
• 比较和对比不同高阶PageRank与随机游走的推广形式，突出其独特的数学与计算特性。

提出的方法

• 使用超图建模交互节点的完整群体，如整个社交群体或感染聚集区。
• 使用单纯复形表示向下封闭的交互集合，其中群体的所有子集也被视为有效交互。
• 应用张量代数与多重线性代数，将马尔可夫链和随机游走推广至具有高阶记忆特性的过程。
• 提出基于张量特征向量、子模函数的洛瓦兹扩展以及单纯复形上的霍奇拉普拉斯算子的高阶PageRank变体。
• 利用高阶马尔可夫链上的Spacey随机游走，推导基于张量的中心性度量。
• 借助洛瓦兹扩展，将3-均匀超图PageRank问题简化为矩阵计算，实现高效计算。

实验结果

研究问题

• RQ1 超图和单纯复形等高阶网络模型如何比传统成对图更准确地表征具有多路交互作用的真实世界系统？
• RQ2 不同高阶PageRank与随机游走推广形式之间的计算与算法权衡是什么？
• RQ3 高阶模型在疾病传播或网络浏览行为等动态过程中的建模精度提升体现在哪些方面？
• RQ4 为何3-均匀超边允许简化为矩阵计算？这一现象是可推广的普遍规律，还是数学上的特例？
• RQ5 鉴于缺乏标准化方法，如何严格评估高阶网络研究发现中的统计与因果显著性？

主要发现

• 超图和单纯复形等高阶模型能更准确地表征疾病传播和社交网络等系统中的群体级交互作用。
• 通过洛瓦兹扩展，3-均匀超图PageRank问题可简化为矩阵计算，实现高效且凸优化。
• 单纯复形PageRank可分解为三个正交分量，具有明确的拓扑意义，提供了超越传统图PageRank的可解释性。
• 作为张量特征向量的高阶PageRank被推测为PPAD完全问题，暗示其可能存在计算上的不可解性。
• 在高阶马尔可夫链上进行的Spacey随机游走可产生张量特征向量，从而提供一类基于随机过程的新中心性度量。
• 高阶模型解决了生态建模中的悖论，并在航空旅行和神经连接等系统中提升了预测能力，而这些系统中成对模型则失效。