《Higher-order organization of complex networks》-论文学习笔记

0.前言:

       最近阅读了Benson人发表在science上的论文《Higher-order organization of complex networks》,在该论文中作者提出了一种通用的框架,可在网络中基于高阶连接模式进行聚类。 和以往接触的聚类方法(K-means, 层次聚类, DBSCAN, 或者OPRICS)等不同的是: K-means等在对item进行聚类的时候,使用的是item的特征, 并且item之间是没有连边的。 比如,对于二维平面上的点进行聚类, 那么对于每一个点来说有两个特征(即x和y),或者在MovieLen数据集上对用户进行聚类, 那么每个用户的特征就是看过的电影。而在该论文中提出的高阶聚类框架是针对连通的网络(甚至要在运行算法之前做预处理,去除掉网络中的孤立的点)。


1 . 网络是理解和调控复杂系统基本工具。为了挖掘网络化数据连接模式,揭示出功能组织,仅考虑简单描述符号是不够的,比如每个实体(即节点)其他实体的相互作用数量节点度)因为在这种简单描述符号层面,两个网络可能等同,但它们的连接结构非常不同。本文提出了一种通用的框架,基于高阶连接模式对网络进行聚类。这个高阶连接模式包含了出现在数据中的所有交互作用,通过该框架鉴别出富含某个特定高阶模式实例的网络区域。如果这种高阶连接模式是预先指定的,那么这种方法就能发现通过这个模式互连的节点, 作者等人通过该方法将线虫神经元网络中的20个神经元成功地组织在一起。 


2 . 最常见的高阶结构是小网络子图,称为模体,网络模体被认为构建了复杂网络中的块。需要说明的是:不同的网络模体揭示不同的高阶聚类,也就是说,基于不同的模体,可以发现不同的组织模式。下图给出了所有的三节点的有方向的模体:(13种)




3 .算法思想:

对于给定网络和感兴趣的模体M,寻找满足以下两个目标的节点的聚类S,使得S满足以下的两个目标:

                  1. S中的节点尽量多的包括模体M

                  2.  S应该尽量避免破坏模体

更准确的说,对于给定的模体M,本文所提出的高阶聚类框架的目标是找到一个聚类S, 使得下式取得最小值: 

                       

其中cut(S, ~S):表示将整个网络分为S和~S(S的补集)时被破坏的模体M的个数, vol(S)则是集合S中属于模体的节点的数量。

4. 算法过程描述:

     0)输入网络和给定的模体。

     1)计算矩阵Wm, 其元素(i, j)为节点i和j在模体中共现的次数,即模体包含节点i和j的个数(该矩阵为对称矩阵)。

     2)计算模体的laplacian矩阵L, L=D- Wm, 其中D为对角矩阵,Dii =Σj(WM)ij 。

       3)对laplacian矩阵进行单位化为Lw, Lw = D^(-1/2)LD^(-1/2), 其中D = 1/D^1/2。

       4)\sigma为对D(-1/2)z进行升序排列得到的下标序列, 其中Lw的第二小的特征向量所对应的特征值。

     5)扫描\sigma序列产生它的前缀集合, 寻找最小的模体率, 即使得上式最小的\sigma的前缀集合。 

针对下左图的网络基于右边给出的模体进行聚类得到的\sigma的排序如下:

                

5. 应用:

该框架可以应用于有向图,无向图和加权图中。也可以应用于边上有正,负信息的网络,这是在社会网络中常见的类型(例如是敌是友, 信任还不信任)或者在新城代谢网络中表现为活跃还是抑制。在特定的领域中,对感兴趣的模体,可是使用该框架获得网络中的高阶结构。当某个特定领域中的高阶模式未知,该框架也可用于判断哪个模体对于给定网络的模块化结构是重要的。


     在秀丽隐杆线虫神经元网络上使用高阶聚类框架,在该网络中,四节点双扇形模体被过度表达,这个模体描述了从左边节点向右边节点传递合作繁殖信息的过程。该框架基于上述模体发现了由20个神经元组成的聚类。该聚类展示了瞬眼调节器被调控的一种途径。这个聚类包含了作为信源的3个带有多个外向连接的环状运动神经元(REML-V,和-R),6作为信息目的地的带有多个内向连接的内唇感觉神经元(IL2DL-VR-R-DR,和-L),4个 作为中介的URA运动神经元。该高阶聚类揭示了它们的组织。

环状运动神经元通过RIH传递信息给内唇感觉神经元。下图1为模体,图2为聚类的结果,图3为聚类在网络中的真实位置。



(所有图片来源于论文, 论文下载地址:http://science.sciencemag.org/content/353/6295/163)




相关推荐
©️2020 CSDN 皮肤主题: 撸撸猫 设计师:马嘣嘣 返回首页