Skip to content
検索結果に戻る

多層ネットワーク分析 — 多重ネットワーク

提唱者
Kivelä et al. (2014); De Domenico et al. (2013)
年
2013–2014 (formal mathematical framework)
種類
Graph-theoretic network model

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

多層ネットワーク分析は、Kiveläら (2014) および De Domenicoら (2013) によって形式化されたグラフ理論的フレームワークであり、同じノード集合を複数の関係層にわたって同時に表現する。単層ネットワークがすべての関係を1つのグラフに集約するのに対し、多層モデルは各層(ソーシャルプラットフォーム、生物学的相互作用タイプ、インフラストラクチャ階層など)の distinct な関係コンテキストを保持しつつ、層間エッジを介して層が互いにどのように結合するかをモデル化する。

手法の背後にある直感

研究者グループが電子メールで共同作業し、論文を共著し、専門家ネットワークで互いをフォローしている状況を想像してほしい。単一のネットワーク図では、これら3つの関係がすべて1つの絡み合ったグラフにマージされ、共著関係がTwitterのフォローよりもはるかに強いという情報が失われる。多層ネットワーク分析では、各関係タイプを個別の層(プロジェクターに重ねられた別々の透明シートのようなもの)に保持しつつ、ある層での活動が別の層での活動を予測または増幅する方法を問うことができる。この設定における中心性は、もはや「そのノードは全体としてどれだけよく接続されているか?」ではなく、「層間パスと層内パスの両方を考慮して、このノードはすべての層にわたって同時にどれほど重要か?」となる。

歴史学

ネットワーク科学は長らく複雑なシステムを単一のグラフとしてモデル化してきたが、2000年代を通じて、多くの実世界のシステムには互いに相互作用する複数の関係タイプが含まれることが明らかになった。De Domenicoら (2013) は、それ以前の様々な試みを統一する厳密なテンソル数学的定式化を提供した。Kiveläら (2014) は、Journal of Complex Networksにおける決定版レビューを発表し、層、側面、超隣接行列、層間エッジといった共通の語彙を確立し、生物学、交通、ソーシャルメディア、インフラストラクチャにわたる応用を調査した。これら2つの論文は、この分野の標準的な形式的基盤を構成している。

使うべき場面

多層ネットワーク分析は、関心のあるエンティティが同時に複数の関係タイプに参加しており、それらの関係が意味のある情報を失うことなく集約できない場合に適切である。このフレームワークは、明確に定義された層間エッジを持つ少なくとも20個のノードを必要とし、層の重みが実質的な意味を持つ必要がある。任意の層割り当ては解釈不能な結合メトリクスを生成する。正規性は必要ない。この方法は、探索的、記述的、および関係的研究目的に適している。ノードが20未満の場合は、単層中心性分析がより安全なフォールバックとなる。

限界と注意点

  • 明示的に定義された層間エッジを持つ少なくとも20個のノードが必要。ノードが少ない場合、方法は多重構造を確実に表面化できない。
  • 層の重みは実質的な意味を持たなければならない。層が任意に定義されている場合、結合メトリクスは解釈不能である。
  • 計算コストは、層数とノード数とともに増加する。大規模な多重ネットワークには、効率的なスパース表現が必要である。
  • 多重中心性メトリクスは、単層の類似体とは異なる挙動を示し、両者を混同しないように慎重な解釈が必要である。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 各関係タイプの構造的特異性を保持しつつ、単一のマージされたネットワークでは不可能な層間比較を可能にする。
  • 多重中心性メトリクスは、単一の層で支配的であるだけでなく、複数の層にわたってよく接続されているために重要なノードを特定する。
  • 分布仮定を必要とせずに、多様な実質的ドメイン(ソーシャルメディアプラットフォーム、マルチオミクス生物ネットワーク、インフラストラクチャシステム)に適用可能。
  • 層ごとの分析では見えない創発的特性(カスケード障害、多重コミュニティ)を捉える。

応用

  • 各プラットフォーム(Twitter、Facebook、LinkedIn)が同じユーザーノードを共有する層である、クロスプラットフォームソーシャルメディアインタラクションの分析。
  • 遺伝子調節、タンパク質相互作用、代謝反応ネットワークが共通の分子実体上に異なる層を形成する、マルチオミクス生物ネットワーク分析。
  • 電力、交通、通信グリッドを結合された層としてモデル化し、カスケード障害リスクを評価するインフラストラクチャレジリエンス研究。
  • 複数の共著または引用層にわたってハブとして機能する研究者または機関を特定する、共同ネットワーク研究。

使い方

使い方

1

分析者は、システムを構成する distinct な関係タイプを特定し、それぞれを層に割り当てる。各層は、同じノード集合、または少なくともその明確に定義されたサブセットをカバーする必要がある。層間エッジ(ある層のノードを別の層の同じまたは異なるノードにリンクする接続)は、層内エッジとともに指定される。このステップは概念的であるが、critical である。層の定義が曖昧であれば、すべての下流のメトリクスは解釈不能になる。

2

多層グラフは、超隣接行列またはテンソルオブジェクトとして組み立てられる。超隣接表現では、すべての層がブロック対角線に沿って積み重ねられ、層間結合ブロックが対角線の外側に現れる。この数学的オブジェクトは、層内トポロジーと層間結合強度の両方をエンコードし、後続の計算の原動力となる。

3

多層中心性メトリクス(多重次数、多重媒介中心性、多重固有ベクトル中心性、および参加係数)は、超隣接構造から計算される。これらのメトリクスは、層間パスを考慮するため、単層の対応物とは根本的に異なる。多層グラフに適応されたコミュニティ検出アルゴリズムも、この段階で適用して、複数の層にわたって同時に密に接続されたノードのグループを特定できる。

4

分析者は、層間結合パターンを調べる。ある層での高い中心性が別の層での高い中心性と相関するか(層相関)、コミュニティが層間で整列するか(層類似性)、どのノードが多重ハブまたはブリッジとして機能するか。高い参加係数を持つノードは、すべての層にわたって均等にアクティブである。低い参加係数を持つノードは、層固有のスペシャリストである。これらの構造的洞察は、ドメイン解釈にフィードバックされる。例えば、どの研究機関が複数の共同ネットワークをブリッジしているか、またはどのタンパク質が複数の生物学的相互作用タイプにわたって不可欠であるか。

よくある落とし穴

  • 理論的根拠なしに層を定義すると、数値的には定義されるが実質的には無意味な結合メトリクスが得られる。常にドメイン知識に基づいて層の境界を決定すること。
  • 多重中心性と単層中心性の混同。ノードは多重ネットワーク全体では中心であるが、個々の各層では周辺的である場合があり、その逆も同様である。
  • 層間エッジを完全に無視し、層を独立したグラフとして扱うと、フレームワークの主要な利点である層間結合が失われ、分析は個別のネットワーク研究のセットに還元される。
  • 20未満のノードで多重ネットワーク分析を実行すること。非常に小さな多重ネットワークで検出された構造パターンは信頼性が低い可能性があり、代わりに単層中心性分析を使用すべきである。

よくある質問

多層ネットワークは、各関係タイプに対して個別のネットワーク分析を実行するだけの場合とどう違うのか?

個別の分析では、ある層での活動が別の層での活動を条件付ける方法が無視される。多層分析は、層間エッジを明示的にモデル化し、層間パスを横断する中心性メトリクスを計算し、単層分析では検出できない、層をブリッジする役割に由来する重要性を持つノードを明らかにする。

層間エッジとは何か、そして常に必要か?

層間エッジは、ある層のノードのコピーを別の層のノードのコピーにリンクし、2つの層がどのように結合されているかをエンコードする。多重ネットワークでは、通常、各ノードを層間で自己に接続する(対角線結合)。それらは定義される必要があり、省略すると層は独立したグラフに分断され、多層フレームワークの目的が損なわれる。

参加係数は私に何を教えてくれるのか?

ノードの参加係数は、その接続が層にどれだけ均等に分散しているかを測定する。1に近い値は、ノードが多くの層でほぼ均等にアクティブであることを意味する。0に近い値は、その接続が単一の層に集中していることを意味する。高参加ノードは多重ジェネラリストであり、低参加ノードは層固有のスペシャリストである。

いつ単層中心性分析にフォールバックすべきか?

ノードが20未満の場合、またはデータに実質的な層間結合を持つ真に distinct な関係タイプが含まれていない場合。そのような場合、多層フレームワークのオーバーヘッドはペイせず、単一のマージされたグラフでの標準的な中心性分析の方が信頼性が高い。

関連する手法

参考文献

  1. Kivelä, M. et al. (2014). Multilayer Networks. Journal of Complex Networks, 2(3), 203–271.

    DOI 文献を開く
    コピーしました。
  2. De Domenico, M. et al. (2013). Mathematical Formulation of Multilayer Networks. Physical Review X, 3(4), 041022.

    DOI 文献を開く
    コピーしました。