[论文解读] Network Generation Model Based on Evolution Dynamics To Generate Benchmark Graphs

Muhammad Qasim Pasta, Faraz Zaidi|arXiv (Cornell University)|Jun 3, 2016

Complex Network Analysis Techniques参考文献 38被引用 3

一句话总结

本文提出了一种网络生成模型，将演化动力学与可调的社区结构相结合，以生成用于社区检测算法的现实基准图。通过模拟现实世界网络的生长过程，该模型生成了拓扑结构复杂的网络，相较于传统模型，对检测算法构成了更大的挑战。

ABSTRACT

Network generation models provide an understanding of the dynamics behind the formation and evolution of different networks including social networks, technological networks and biological networks. Two important applications of these models are to study the evolution dynamics of network formation and to generate benchmark networks with known community structures. Research has been conducted in both these directions relatively independent of the other application area. This creates a disjunct between real world networks and the networks generated to study community detection algorithms. In this paper, we propose to study both these application areas together i.e. introduce a network generation model based on evolution dynamics of real world networks and generate networks with community structures that can be used as benchmark graphs to study community detection algorithms. The generated networks possess tunable modular structures which can be used to generate networks with known community structures. We study the behaviour of different community detection algorithms based on the proposed model and compare it with other models to generate benchmark graphs. Results suggest that the networks generated using the proposed model present tougher challenges for community detection algorithms due to the topological structure introduced by evolution dynamics.

研究动机与目标

• 解决社区检测研究中现实世界网络动态与合成基准网络之间的脱节问题。
• 开发一个统一模型，同时捕捉网络演化并实现对社区结构的精确控制。
• 生成具有已知、可调模块化结构的基准图，以在现实拓扑条件下评估社区检测算法。
• 提升合成网络的现实感，更好地反映社交网络和生物系统等现实世界网络的结构复杂性。

提出的方法

• 基于现实世界网络中观察到的演化动力学机制（如优先连接和局部连接）设计网络生成模型。
• 通过随时间演化的动态过程实现社区形成，确保模块化结构自然地从生长规则中涌现。
• 引入可调参数以控制生成网络中社区的数量、大小和密度。
• 确保模型保留真实网络的典型拓扑特性，如幂律度分布和聚类特性。
• 利用该模型生成多个具有已知真实社区结构的基准图，用于算法评估。
• 通过与真实世界网络及其他合成模型的结构特性对比，验证模型的现实感。

实验结果

研究问题

• RQ1 将演化动力学整合到网络生成中，如何影响合成基准图的结构复杂性？
• RQ2 与传统模型相比，社区检测算法在由所提出的基于演化模型生成的网络上表现如何？困难程度如何？
• RQ3 所提出的模型能否在保持真实拓扑特征的同时，生成具有可调社区结构的网络？
• RQ4 由演化动力学引入的拓扑特性如何影响合成网络中社区的可检测性？

主要发现

• 由于演化驱动的结构模式，所提出的模型生成的网络表现出更高的拓扑复杂性，使社区检测算法面临更大挑战。
• 与传统基准模型相比，社区检测算法在由所提模型生成的网络上表现更差，表明其难度显著增加。
• 该模型成功生成了具有已知、可调社区结构的网络，真实反映了网络动态。
• 生成的网络保留了真实世界网络的关键特性，如度分布和聚类，增强了其作为基准的有效性。
• 将演化动力学整合到网络生成中，可产生更真实、更多样化的网络拓扑，适用于严格的算法测试。