[论文解读] Rich-clubness test: how to determine whether a complex network has or doesn't have a rich-club?

Alessandro Muscoloni, Carlo Vittorio Cannistraci|arXiv (Cornell University)|Apr 11, 2017

Complex Network Analysis Techniques参考文献 19被引用 5

一句话总结

本文提出了首个统一的统计检验方法，用于判断复杂网络是否表现出显著的丰富核心（rich-club）组织结构。通过提出一个下界零模型、对丰富核心系数进行标准化，并基于最大偏差计算唯一的p值，该方法为神经科学、社交系统和基础设施等不同领域的网络提供了明确且量化的丰富核心显著性度量。

ABSTRACT

The rich-club concept has been introduced in order to characterize the presence of a cohort of nodes with a large number of links (rich nodes) that tend to be well connected between each other, creating a tight group (club). Rich-clubness defines the extent to which a network displays a topological organization characterized by the presence of a node rich-club. It is crucial for the investigation of internal organization and function of networks arising in systems of disparate fields such as transportation, social, communication and neuroscience. Different methods have been proposed for assessing the rich-clubness and various null-models have been adopted for performing statistical tests. However, a procedure that assigns a unique value of rich-clubness significance to a given network is still missing. Our solution to this problem grows on the basis of three new pillars. We introduce: i) a null-model characterized by a lower rich-club coefficient; ii) a fair strategy to normalize the level of rich-clubness of a network in respect to the null-model; iii) a statistical test that, exploiting the maximum deviation of the normalized rich-club coefficient attributes a unique p-value of rich-clubness to a given network. In conclusion, this study proposes the first attempt to quantify, using a unique measure, whether a network presents a significant rich-club topological organization. The general impact of our study on engineering and science is that simulations investigating how the functional performance of a network is changing in relation to rich-clubness might be more easily tuned controlling one unique value: the proposed rich-clubness measure.

研究动机与目标

• 为解决缺乏一种标准化、统计上严谨的方法来判断网络的丰富核心结构是否显著或仅为偶然现象的问题。
• 解决以往丰富核心评估中因任意或非最优零模型导致的不一致性问题。
• 开发一种适用于多种网络类型的单一、唯一的丰富核心显著性度量方法。
• 实现对网络性能在丰富核心拓扑关系下的可靠模拟与分析。
• 提供一种公平的归一化策略，以考虑网络规模和度分布对丰富核心评估的影响。

提出的方法

• 提出一种新颖的零模型，可生成丰富核心系数低于实际观测网络的随机网络，从而确保保守的基线。
• 引入一种归一化程序，将观测到的丰富核心系数相对于下界零模型进行缩放。
• 基于所有度阈值下归一化丰富核心系数的最大偏差，实施一种统计检验。
• 通过将观测到的最大偏差与零模型下的分布进行比较，计算唯一的p值。
• 使用蒙特卡洛采样估计最大偏差的零分布，从而实现精确的显著性检验。
• 将该方法应用于真实世界网络，以验证其在不同领域中的鲁棒性和可解释性。

实验结果

研究问题

• RQ1 能否为网络的丰富核心结构分配一个统计上可靠且唯一的p值，以评估其显著性？
• RQ2 如何构建一个零模型，以确保随机网络的丰富核心系数系统性地低于实际观测网络？
• RQ3 何种归一化策略可确保在不同规模和度分布的网络之间对丰富核心强度进行公平比较？
• RQ4 所提出的方法在检测复杂网络中真实存在的丰富核心组织结构方面，是否优于现有方法？
• RQ5 该方法是否可无需修改地普遍应用于神经科学、社交系统和交通网络等各类网络？

主要发现

• 所提出的方法可为任意网络分配一个唯一且可解释的p值，从而实现对丰富核心显著性的明确判断。
• 下界零模型确保了观测到的丰富核心系数具有统计意义，避免了因随机连接而造成的夸大。
• 基于下界零模型的归一化方法为跨网络比较丰富核心强度提供了公平且一致的尺度。
• 最大偏差统计量有效捕捉了最极端的丰富核心行为，提升了检验的敏感性和统计功效。
• 该方法在多种真实世界网络中表现出稳健性能，涵盖脑网络、社交网络和基础设施系统。
• 该方法可实现对涉及网络功能与鲁棒性的模拟的可靠调优，仅需一个控制参数：丰富核心p值。