[论文解读] Specialization Models of Network Growth

Leonid Bunimovich, Dallas C. Smith+1 more|arXiv (Cornell University)|Dec 5, 2017

Complex Network Analysis Techniques被引用 3

一句话总结

本文提出了网络增长的特化模型，其中子网络被复制并以稀疏方式连接，以增强功能模块性。通过反复对节点子集应用特化，该模型生成了越来越稀疏、模块化且具有层次结构的拓扑，展现出真实世界网络的关键特性，如幂律度分布、非 assortativity（非度数相关性）、高聚类系数以及小世界效应。

ABSTRACT

One of the most important features observed in real networks is that, as a network's topology evolves so does the network's ability to perform various complex tasks. To explain this, it has also been observed that as a network grows certain subnetworks begin to specialize the function(s) they perform. Here, we introduce a class of models of network growth based on this notion of specialization and show that as a network is specialized using this method its topology becomes increasingly sparse, modular, and hierarchical, each of which are important properties observed in real networks. This procedure is also highly flexible in that a network can be specialized over any subset of its elements. This flexibility allows those studying specific networks the ability to search for mechanisms that describe the growth of these particular networks. As an example, we find that by randomly selecting these elements a network's topology acquires some of the most well-known properties of real networks including the small-world property, disassortativity, power-law like degree distributions, and power-law like clustering coefficients. As far as the authors know, this is the first such class of models that creates an increasingly modular and hierarchical network topology with these properties.

研究动机与目标

• 解释网络拓扑如何通过特化演化以支持功能复杂性的提升。
• 开发一个基于子网络功能特化的灵活网络增长建模框架。
• 证明特化可导致模块化、层次化且稀疏的拓扑结构的出现，这些结构在真实网络中被观察到。
• 表明随机特化规则可重现广泛观察到的网络特征，如幂律度分布和小世界特性。
• 引入结构规则与特化等价性，以基于功能相似性比较网络拓扑。

提出的方法

• 定义一个特化规则 τ，其将选定的子网络复制，并以比原始网络更稀疏的连接方式连接。
• 将该规则迭代应用于生成 τ^k(G)，其中 G 为初始图，k 为特化步骤数。
• 使用结构规则 ℓ，通过识别在特化过程中同构的基序或组件来比较图。
• 将随机选择网络元素作为特化规则，以探索涌现的拓扑特性。
• 分析度分布、聚类系数、平均路径长度和度数相关性等拓扑特征，以评估网络行为。
• 使用谱分析表明，特征值和特征向量中心性在特化过程中保持不变，表明动态稳定性得以维持。

实验结果

研究问题

• RQ1 反复对子网络进行特化如何影响网络拓扑中模块性、层次性和稀疏性的出现？
• RQ2 随机特化规则能否生成具有真实世界特性的网络，如无标度度分布和小世界特征？
• RQ3 结构规则在基于功能特化的网络等价类定义中起什么作用？
• RQ4 网络的谱特性和动态特性在反复特化下如何演化？
• RQ5 特化模型能否被调整以捕捉特定真实世界网络的精细结构细节？

主要发现

• 特化模型生成了越来越稀疏、模块化且具有层次结构的网络拓扑，其特性与生物、社会及技术网络中观察到的一致。
• 当使用随机特化规则时，生成的网络拓扑表现出类似幂律的度分布、非度数相关性、高聚类系数以及小世界特性。
• 该模型是目前已知首个能同时生成模块化、层次化结构并重现这四种关键真实世界网络特征的网络增长模型类别。
• 特化过程保持了关键谱特性，如特征值和特征向量中心性，表明动态稳定性在增长过程中得以维持。
• 结构规则使特化等价性得以定义，从而可根据功能基序结构将网络划分为相似性类别。
• 随着 k 增大，τ^k(G) 的渐近拓扑和谱结构仍未知，凸显了未来理论分析中的一个开放问题。