[论文解读] The Interplay Between Dynamics and Networks: Centrality, Communities, and Cheeger Inequality

Rumi Ghosh, Kristina Lerman+2 more|arXiv (Cornell University)|Jun 12, 2014

Complex Network Analysis Techniques参考文献 21被引用 26

一句话总结

本文提出了一种广义拉普拉斯框架，统一了网络上动态过程（如随机游走和流行病传播）的建模，实现了对顶点中心性和社区结构的系统性分析。该框架将切赫不等式推广至这些广义动力学，表明社区的类似导通性质量度量与动态算子的谱性质相关联，从而在多种网络类型中实现高效社区检测。

ABSTRACT

We study the interplay between a dynamic process and the structure of the network on which it is defined. Specifically, we examine the impact of this interaction on the quality-measure of network clusters and node centrality. This enables us to effectively identify network communities and important nodes participating in the dynamics. As the first step towards this objective, we introduce an umbrella framework for defining and characterizing an ensemble of dynamic processes on a network. This framework generalizes the traditional Laplacian framework to continuous-time biased random walks and also allows us to model some epidemic processes over a network. For each dynamic process in our framework, we can define a function that measures the quality of every subset of nodes as a potential cluster (or community) with respect to this process on a given network. This subset-quality function generalizes the traditional conductance measure for graph partitioning. We partially justify our choice of the quality function by showing that the classic Cheeger's inequality, which relates the conductance of the best cluster in a network with a spectral quantity of its Laplacian matrix, can be extended from the Laplacian-conductance setting to this more general setting.

研究动机与目标

• 将网络上的多种动态过程（如随机游走、流行病传播和信息扩散）统一在一个数学框架下。
• 定义广义的中心性度量，反映顶点在特定动态过程中的参与程度，而非仅依赖于静态网络拓扑。
• 提出一种依赖于动态过程的广义社区质量度量（类似导通性），实现动态感知的社区检测。
• 将切赫不等式推广至广义拉普拉斯算子，建立谱性质与社区质量之间的联系，从而提供理论保证。
• 提供一种系统化工具，用于比较不同动态过程如何揭示不同的网络结构，如核心-细枝结构与电网拓扑。

提出的方法

• 提出一种广义拉普拉斯框架，将传统归一化拉普拉斯矩阵扩展至可建模具有任意偏置和延迟的动态过程。
• 将广义中心性度量定义为动态过程的平稳分布，以捕捉该过程下顶点的重要性。
• 引入广义导通函数以评估子集作为社区的质量，推广传统随机游走的导通性度量。
• 推导出一个类似切赫不等式的结论，将最佳社区的广义导通性与广义拉普拉斯矩阵的第二小特征值相联系。
• 开发一种高效算法（算法1），基于广义特征向量的扫掠操作实现全局社区检测。
• 在真实网络（如电网、社交网络）上应用该框架，使用四种动态过程：归一化拉普拉斯、普通拉普拉斯、复制者过程和无偏拉普拉斯。

实验结果

研究问题

• RQ1 如何将随机游走和流行病等动态过程在统一的数学框架下形式化，以支持网络分析？
• RQ2 在相同网络中，不同动态过程在多大程度上导致不同的中心性和社区结构？
• RQ3 切赫不等式能否推广至表示非传统动态过程的广义拉普拉斯算子？
• RQ4 动态过程的选择如何影响具有不同拓扑结构（如核心-细枝结构与电网）的网络中检测到的社区质量与平衡性？
• RQ5 该广义框架能否支持具有理论保证的高效、可扩展社区检测算法？

主要发现

• 广义拉普拉斯框架成功地将一系列动态过程（包括随机游走、流行病传播以及新型算子如无偏拉普拉斯）统一在一个数学模型下。
• 广义导通性度量扩展了传统导通性，并通过类似切赫不等式的结论与谱间隙建立联系，为社区质量提供了理论依据。
• 不同动态过程产生不同的社区结构：例如，复制者过程在电网网络中表现较差，因其缺乏对中心节点的直接连接，而归一化和普通拉普拉斯则产生结构更均衡的社区。
• 拉普拉斯与无偏拉普拉斯产生的社区划分几乎完全相同，主要因共享体积度量，仅在边界定义上因切割大小差异而略有不同。
• 归一化拉普拉斯在电网网络中以牺牲体积平衡为代价，实现了更小的切割大小，但通过氰色簇中更高的平均度数得到补偿。
• 算法1成功地在不同动态下可视化并检测到社区，其扫掠轮廓与可视化结果揭示了如重尾中心性分布和负度数度量相关性等结构差异。