[论文解读] The maximum capability of a topological feature in link prediction

Yijun Ran, Xiao-Ke Xu+1 more|arXiv (Cornell University)|Jun 30, 2022

Complex Network Analysis Techniques参考文献 65被引用 5

一句话总结

本文建立了任何拓扑特征在链路预测中预测能力的通用数学上界，该上界与用于量化该特征的具体指标无关。该上界仅取决于该特征在缺失链接与不存在链接中的分布，且监督学习可进一步提升该最大预测能力，超越无监督方法，该结论已在550个多样化的现实网络中得到验证。

ABSTRACT

Networks offer a powerful approach to modeling complex systems by representing the underlying set of pairwise interactions. Link prediction is the task that predicts links of a network that are not directly visible, with profound applications in biological, social, and other complex systems. Despite intensive utilization of the topological feature in this task, it is unclear to what extent a feature can be leveraged to infer missing links. Here, we aim to unveil the capability of a topological feature in link prediction by identifying its prediction performance upper bound. We introduce a theoretical framework that is compatible with different indexes to gauge the feature, different prediction approaches to utilize the feature, and different metrics to quantify the prediction performance. The maximum capability of a topological feature follows a simple yet theoretically validated expression, which only depends on the extent to which the feature is held in missing and nonexistent links. Because a family of indexes based on the same feature shares the same upper bound, the potential of all others can be estimated from one single index. Furthermore, a feature's capability is lifted in the supervised prediction, which can be mathematically quantified, allowing us to estimate the benefit of applying machine learning algorithms. The universality of the pattern uncovered is empirically verified by 550 structurally diverse networks. The findings have applications in feature and method selection, and shed light on network characteristics that make a topological feature effective in link prediction.

研究动机与目标

• 确定任意拓扑特征在链路预测中可达到的最大预测性能，且该性能不依赖于用于量化该特征的具体指标。
• 解决由于指标选择和评估指标不同而引起的特征性能评估模糊性问题。
• 建立一个统一的理论框架，涵盖同一拓扑特征相关所有指标的性能极限。
• 探究基于拓扑特征的监督学习方法是否能够超越无监督方法的性能上限。
• 通过大量真实网络实证验证所推导性能边界的普适性。

提出的方法

• 基于拓扑特征在缺失链接与不存在链接中的分布，推导其最大预测能力的数学表达式。
• 提出预测性能上界的理论表达式，特别是公式(S25)和(S26)，其依赖于候选节点对涉及的开放三角形与闭合三角形的数量。
• 利用包含550个结构多样的真实世界网络的大规模数据集，在链路移除和部分网络采样等多种条件下，实证验证理论边界。
• 比较无监督预测（使用原始指标值）与监督预测（使用学习模型），以量化机器学习带来的性能提升。
• 采用标准的链路预测指标，如AUC和精确率，同时考虑精确率中的超参数$L_k$，以避免产生误导性解读。
• 通过将估计的理论值$p'_1$和$p'_2$与网络采样中获得的实证值进行比较，验证理论预测的准确性，即使在20%链路被移除的情况下也成立。

实验结果

研究问题

• RQ1 基于给定拓扑特征的任意指标在链路预测中能达到的理论最大性能是多少？
• RQ2 拓扑特征的性能极限是否依赖于用于量化它的具体指标？
• RQ3 监督学习方法能否超越基于同一拓扑特征的无监督方法的性能上限？
• RQ4 网络基序如开放三角形与闭合三角形如何影响诸如共同邻居等特征的预测能力？
• RQ5 所推导的性能边界是否在多样化的现实世界网络结构中具有普适性？

主要发现

• 拓扑特征的最大预测能力由一个通用数学表达式决定，该表达式仅取决于该特征在缺失链接与不存在链接中的分布，而与具体使用的指标无关。
• 同一拓扑特征家族内的所有指标共享相同的理论性能上限，因此仅需一次测量即可估算出所有指标的潜力。
• 监督学习可将拓扑特征的最大预测能力提升至无监督预测无法达到的水平，且该提升具有可量化的测量价值。
• 基于公式(S25)和(S26)推导出的理论边界在550个真实世界网络中与实证结果高度一致，即使在最多20%链路被移除的情况下也成立。
• 仅靠聚类系数不足以解释共同邻居特征的预测能力；开放三角形与闭合三角形的相互作用（由$p_1$和$p_2$捕捉）更具信息量。
• 基于精确率的评估对$L_k$的选择极为敏感，若不结合底层的$p_1$值进行解读，高精确率值可能具有误导性，如在$p_1$较低的网络中所展示的那样。