Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์เครือข่ายแบบทับซ้อน (Multiplex Network Analysis)

ผู้เสนอ
Kivela, M.; Boccaletti, S. et al.
ปี
2014
ประเภท
Structural network model
กลุ่มวิธี
Network science

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์เครือข่ายแบบทับซ้อนศึกษาถึงระบบที่ชุดของจุด (nodes) เดียวกันถูกเชื่อมต่อด้วยความสัมพันธ์ที่แตกต่างกันหลายประเภท โดยแต่ละประเภทจะถูกแทนด้วยชั้นเครือข่าย (network layer) ที่แยกจากกัน การวิเคราะห์ชั้นเครือข่ายเหล่านี้พร้อมกัน แทนที่จะวิเคราะห์แยกกันทีละชั้น จะเผยให้เห็นว่าประเภทความสัมพันธ์ที่แตกต่างกันมีปฏิสัมพันธ์กันอย่างไร เสริมซึ่งกันและกัน หรือชดเชยซึ่งกันและกันในกลุ่มนักแสดง (actors) หรือหน่วย (entities) เดียวกัน

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพนักวิจัยกลุ่มเดียวกันที่เชื่อมต่อกันผ่านเครือข่ายสามประเภทพร้อมกัน: การเป็นผู้เขียนร่วมกัน (co-authorship) การอ้างอิง (citation) และการเข้าร่วมการประชุม (conference attendance) การวิเคราะห์แบบชั้นเดียวมาตรฐานจะบังคับให้คุณต้องเลือกเพียงประเภทเดียว หรือรวมทั้งสามประเภทเข้าเป็นกราฟเดียว ซึ่งทำให้สูญเสียข้อมูลไป การวิเคราะห์แบบทับซ้อนจะรักษาชั้นเครือข่ายทั้งสามไว้และศึกษาพวกมันร่วมกัน จุดต่างๆ อาจมีความสำคัญในชั้นเครือข่ายหนึ่ง แต่มีความสำคัญน้อยในอีกชั้นหนึ่ง และปฏิสัมพันธ์ระหว่างชั้นเครือข่ายต่างๆ — ว่าการเชื่อมต่อที่แข็งแกร่งในชั้นหนึ่งทำนายหรือชดเชยการเชื่อมต่อที่อ่อนแอในอีกชั้นหนึ่งหรือไม่ — คือสิ่งที่วิธีการแบบทับซ้อนถูกออกแบบมาเพื่อจับภาพ

ประวัติศาสตร์

กรอบทฤษฎีที่เป็นทางการสำหรับเครือข่ายแบบทับซ้อนและหลายชั้นเกิดขึ้นในชุดของบทความทบทวนที่สำคัญในปี 2014 — Kivela et al. ใน Journal of Complex Networks และ Boccaletti et al. ใน Physics Reports — ซึ่งได้รวบรวมงานที่กระจัดกระจายก่อนหน้านี้ภายใต้กรอบทางคณิตศาสตร์ที่เป็นหนึ่งเดียว นับตั้งแต่ปี 2014 วิธีการแบบทับซ้อนได้ถูกนำไปใช้กับระบบขนส่ง แพลตฟอร์มโซเชียลออนไลน์ การเชื่อมต่อระบบประสาท (connectomes) และเครือข่ายการอ้างอิง พร้อมด้วยซอฟต์แวร์ที่สร้างขึ้นโดยเฉพาะ (MuxViz, multinet, pymnet) เพื่อรวบรวมชุดเครื่องมือ

ควรใช้เมื่อใด

ควรใช้การวิเคราะห์เครือข่ายแบบทับซ้อนเมื่อจุดเดียวกันถูกเชื่อมโยงด้วยความสัมพันธ์ที่แตกต่างกันหลายประเภท และการรวมความสัมพันธ์เหล่านั้นเข้าเป็นชั้นเดียวจะบดบังความแตกต่างที่สำคัญ เช่น การศึกษาเกี่ยวกับนักวิทยาศาสตร์ที่เชื่อมโยงกันด้วยการเป็นผู้เขียนร่วมกัน การอ้างอิง และอีเมลพร้อมกัน วิธีการนี้มีประสิทธิภาพอย่างยิ่งเมื่อทฤษฎีคาดการณ์ว่าประเภทความสัมพันธ์ที่แตกต่างกันจะเสริมกำลังหรือชดเชยซึ่งกันและกัน ไม่ควรใช้เมื่อมีเพียงความสัมพันธ์ประเภทเดียวเท่านั้น เมื่อชุดจุดแตกต่างกันอย่างมากในแต่ละประเภทความสัมพันธ์ (ควรใช้การวิเคราะห์แบบสองโหมด (two-mode) หรือหลายชั้น (multilayer) แทน) หรือเมื่อขนาดตัวอย่างเล็กเกินไปที่จะประมาณค่าเมตริกซ์เฉพาะชั้นได้อย่างน่าเชื่อถือ

ข้อจำกัดและข้อควรพิจารณา

  • ภาระในการรวบรวมข้อมูลสูง เนื่องจากต้องรวบรวมรายการขอบทั้งหมดสำหรับแต่ละชั้นแยกกัน
  • ต้นทุนการคำนวณเพิ่มขึ้นตามจำนวนชั้นและจุด เครือข่ายแบบทับซ้อนขนาดใหญ่ต้องการหน่วยความจำจำนวนมาก
  • การตีความจะซับซ้อนเมื่อมีการรวมหลายชั้นที่มีความหนาแน่นและโครงสร้างแตกต่างกัน
  • ซอฟต์แวร์มาตรฐานสำหรับเครือข่ายชั้นเดียวต้องถูกแทนที่หรือขยายออกไป แพ็กเกจที่รองรับเครือข่ายแบบทับซ้อน (MuxViz, multinet) ยังไม่สมบูรณ์เท่าที่ควร

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • รักษาความแตกต่างเชิงคุณภาพระหว่างประเภทความสัมพันธ์ แทนที่จะบังคับการรวมกลุ่มที่ผิดธรรมชาติ
  • คะแนนความเป็นศูนย์กลางแบบทับซ้อนให้ภาพความสำคัญของจุดที่สมบูรณ์กว่าเมตริกซ์แบบชั้นเดียวใดๆ
  • สถิติการเปรียบเทียบชั้นเผยให้เห็นว่าประเภทความสัมพันธ์ใดซ้ำซ้อนกันและประเภทใดเสริมกัน
  • การตรวจจับชุมชนข้ามชั้นให้กลุ่มที่เสถียรและมีความหมายเชิงทฤษฎีมากกว่า
  • สามารถนำไปใช้กับการตั้งค่าเชิงประจักษ์ที่หลากหลาย: เครือข่ายสังคม ชีววิทยา การขนส่ง และสารสนเทศ

การประยุกต์ใช้

  • สังคมศาสตร์: การวิเคราะห์มิตรภาพ การให้คำแนะนำ และความไว้วางใจพร้อมกันภายในองค์กรเดียวกัน
  • บรรณานุกรม: การเป็นผู้เขียนร่วมกัน การอ้างอิงร่วมกัน และการปรากฏร่วมกันของคำสำคัญในฐานะชั้นขนานเหนือชุดนักวิจัยเดียวกัน
  • การขนส่ง: เครือข่ายถนน รถไฟ และอากาศ ที่ใช้จุดเมืองเดียวกันศึกษาพร้อมกัน
  • ประสาทวิทยา: ชั้นการเชื่อมต่อการทำงานของแถบความถี่ที่แตกต่างกันเหนือชุดของบริเวณสมองเดียวกัน
  • แพลตฟอร์มออนไลน์: การติดตาม (following) การรีทวีต (retweeting) และการกล่าวถึง (mentioning) ในฐานะชั้นที่แตกต่างกันเหนือชุดผู้ใช้เดียวกัน

วิธีการทำงาน

วิธีการทำงาน

1

ประเภทความสัมพันธ์ที่แตกต่างกันแต่ละประเภทจะถูกเข้ารหัสเป็นเมทริกซ์ประชิด (adjacency matrix) หรือรายการขอบ (edge list) ที่แยกจากกัน ซึ่งก่อตัวเป็นชั้นเครือข่ายแบบทับซ้อนหนึ่งชั้น ชั้นเครือข่ายทั้งหมดจะใช้ชุดจุดร่วมกัน — นักแสดง หน่วย หรือส่วนประกอบเดียวกัน — แต่ขอบภายในแต่ละชั้นจะแทนความสัมพันธ์ประเภทที่แตกต่างกัน เช่น มิตรภาพ เทียบกับการทำงานร่วมกันทางวิชาชีพ เทียบกับการแลกเปลี่ยนข้อมูล

2

ขอบระหว่างชั้น (interlayer edges) หรือค่าน้ำหนักการเชื่อมต่อ (coupling weights) จะถูกกำหนดเพื่อแสดงว่าจุดแต่ละจุดเชื่อมต่อกับจุดที่สอดคล้องกันในชั้นอื่นๆ อย่างไร ในกรณีที่ง่ายที่สุด จุดทุกจุดจะเชื่อมต่อกับตัวเองในทุกชั้นอื่นด้วยน้ำหนักหนึ่ง (categorical coupling) การเชื่อมต่อที่ซับซ้อนกว่านี้สามารถเข้ารหัสความน่าจะเป็นในการเปลี่ยนผ่าน (transition probabilities) หรือความคล้ายคลึงกันระหว่างชั้นได้

3

มาตรการวัดความเป็นศูนย์กลางแบบทับซ้อน (Multiplex centrality measures) เป็นการขยายเมตริกซ์แบบชั้นเดียวมาตรฐาน — degree, betweenness, eigenvector, PageRank — ไปยังชุดชั้นเครือข่ายทั้งหมด ตัวอย่างเช่น คะแนนความอเนกประสงค์ (versatility score) ซึ่งเป็นการทำให้ PageRank ทั่วไปครอบคลุมทุกชั้น และคะแนน degree ที่ทับซ้อนกัน (overlapping degree) ซึ่งนับจำนวนชั้นที่แตกต่างกันที่จุดหนึ่งมีส่วนร่วม คะแนนเหล่านี้จะจับภาพความสำคัญโดยรวมของจุดในทุกประเภทความสัมพันธ์พร้อมกัน

4

ชั้นเครือข่ายจะถูกเปรียบเทียบโครงสร้างผ่านมาตรการต่างๆ เช่น การทับซ้อนของขอบ (edge overlap) (สัดส่วนของคู่จุดที่เชื่อมต่อกันในมากกว่าหนึ่งชั้น) ความสัมพันธ์ของชั้น (layer correlation) และข้อมูลร่วมระหว่างชั้น (interlayer mutual information) การทับซ้อนสูงบ่งชี้ว่าประเภทความสัมพันธ์ซ้ำซ้อนกัน การทับซ้อนต่ำบ่งชี้ถึงช่องทางที่เสริมกันหรือเป็นอิสระต่อกัน

5

อัลกอริทึมการตรวจจับชุมชน (Community detection algorithms) ถูกขยายไปยังการตั้งค่าแบบทับซ้อน โดยการปรับฟังก์ชัน modularity ที่ทำให้เป็นทั่วไป (generalized modularity) ให้เหมาะสมที่สุดในทุกชั้นพร้อมกัน หรือโดยการใช้การแยกตัวประกอบเทนเซอร์ (tensor decompositions) ชุมชนที่พบในข้อมูลแบบทับซ้อนจะมีความทนทานมากกว่าชุมชนที่สกัดได้จากชั้นเดียว เนื่องจากต้องมีความสอดคล้องกันในหลายประเภทความสัมพันธ์

ข้อผิดพลาดที่พบบ่อย

  • การปฏิบัติต่อทุกชั้นเหมือนมีความสำคัญเท่ากันโดยไม่ได้ตรวจสอบว่าบางชั้นอาจว่างเปล่าหรือซ้ำซ้อน
  • การละเลยความไม่สมมาตรของข้อมูลที่ขาดหายไป — จุดที่ปรากฏในชั้นหนึ่งแต่ไม่อยู่ในอีกชั้นหนึ่งมักจะถูกจัดการอย่างไม่ถูกต้อง
  • การเปรียบเทียบคะแนนความเป็นศูนย์กลางข้ามชั้นโดยไม่ได้คำนึงถึงความแตกต่างของความหนาแน่นหรือขนาดของชั้น
  • การรวมชั้นโดยการบวกน้ำหนักขอบก่อนการวิเคราะห์ ซึ่งทำลายโครงสร้างแบบทับซ้อนที่วิธีการนี้ออกแบบมาเพื่อใช้ประโยชน์
  • การสับสนระหว่างเครือข่ายแบบทับซ้อน (จุดเดียวกัน ประเภทขอบต่างกัน) กับเครือข่ายหลายชั้น หรือเครือข่ายสองส่วน (node sets ที่แตกต่างกันต่อชั้น)

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่างเครือข่ายแบบทับซ้อนกับเครือข่ายหลายชั้น?

ในเครือข่ายแบบทับซ้อน ทุกชั้นมีชุดจุดที่เหมือนกันทุกประการ มีเพียงประเภทขอบที่แตกต่างกันเท่านั้น เครือข่ายหลายชั้นมีความทั่วไปมากกว่าและอนุญาตให้มีชุดจุดที่แตกต่างกันต่อชั้น เครือข่ายแบบทับซ้อนเป็นกรณีพิเศษของเครือข่ายหลายชั้น

ฉันสามารถรวมทุกชั้นเข้าเป็นกราฟถ่วงน้ำหนักเดียวได้หรือไม่?

คุณสามารถทำได้ แต่คุณจะสูญเสียข้อมูลที่สำคัญ: คู่ของจุดที่เชื่อมต่อกันในห้าชั้นที่แตกต่างกันจะดูเหมือนกับคู่ที่เชื่อมต่อกันห้าครั้งในชั้นเดียว การวิเคราะห์แบบทับซ้อนถูกออกแบบมาโดยเฉพาะเพื่อรักษาและใช้ประโยชน์จากความแตกต่างระหว่างประเภทชั้น

ฉันต้องการกี่ชั้นสำหรับการวิเคราะห์แบบทับซ้อนที่มีความหมาย?

ตามหลักการแล้ว สองชั้นก็เพียงพอที่จะเรียกว่าเครือข่ายแบบทับซ้อนได้ แต่วิธีการนี้จะให้ประโยชน์สูงสุดเมื่อมีประเภทความสัมพันธ์ที่แตกต่างกันและมีความหมายในทางเนื้อหาตั้งแต่สามประเภทขึ้นไป ชั้นที่เบาบางมากหรือชั้นที่มีการทับซ้อนของขอบเกือบเป็นศูนย์ควรได้รับการตรวจสอบอย่างรอบคอบก่อนนำมาใช้

แพ็กเกจซอฟต์แวร์ใดบ้างที่รองรับการวิเคราะห์เครือข่ายแบบทับซ้อน?

MuxViz (R/Python), multinet (R), และ pymnet (Python) เป็นไลบรารีหลักที่สร้างขึ้นโดยเฉพาะ NetworkX (Python) และ igraph (R/Python) สามารถจัดการข้อมูลแบบทับซ้อนได้ด้วยการเขียนโค้ดแบบกำหนดเอง แต่ขาดเมตริกซ์แบบทับซ้อนที่มีมาในตัว

การตรวจจับชุมชนแตกต่างกันอย่างไรในเครือข่ายแบบทับซ้อน?

ในการตั้งค่าแบบทับซ้อน การตรวจจับชุมชนจะปรับฟังก์ชัน modularity ที่ทำให้เป็นทั่วไปให้เหมาะสมที่สุด ซึ่งจะรวมผลรวมจากทุกชั้นพร้อมกัน หรือใช้วิธีการแยกตัวประกอบเทนเซอร์ ผลลัพธ์คือการแบ่งกลุ่มเดียวที่สอดคล้องกันในทุกประเภทความสัมพันธ์ ซึ่งแตกต่างจากการรันการตรวจจับแยกกันในแต่ละชั้น

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Kivela, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203–271.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gomez-Gardenes, J., Romance, M., Sendina-Nadal, I., Wang, Z., & Zanin, M. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1–122.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว