SynGraphy: Succinct Summarisation of Large Networks via Small Synthetic Representative Graphs

要約

入力グラフと同様の構造特性を持つように生成された小さなグラフを描画することによって機能する、大規模なネットワーク データセットの構造を視覚的に要約する方法である SynGraphy について説明します。
複雑なネットワークを視覚化することは、ネットワーク化されたデータとそれが表す関係を理解し​​て理解するために不可欠です。
多くのネットワークはサイズが大きいため、視覚化は非常に困難です。
Facebook や Twitter のような大規模なネットワークを描画する単純な方法では、ほとんどまたはまったく情報を伝達しないグラフィックスが作成されます。
最新のグラフ レイアウト アルゴリズムは大規模なネットワークに計算的にスケーリングできますが、それらの出力は一般的な「毛玉」のように見える傾向があり、異なるグラフを互いに区別することさえ困難になります。
グラフ サンプリングとグラフ粗化手法は、これらの制限に部分的に対処しますが、元のグラフのプロパティのサブセットしか保持できません。
この論文では、新しい視点から大きなグラフを視覚化する問題を取り上げます。元のグラフのノードとエッジを置き去りにし、代わりに、構造特性が一致する完全に新しいグラフを生成することにより、クラスタリング係数や二分性などの特性を要約します
元のグラフ。
他のグラフ視覚化アルゴリズムと比較してこのアプローチの有用性を検証するために、実験的評価を行います。実験的評価では、実験対象 (グラフマイニングおよび関連分野の専門家) に、与えられた 2 つのグラフのどちらが与えられた構造特性を持っているかを判断するよう繰り返し依頼し、次に
どの視覚化アルゴリズムが正解の特定に役立ったかを評価します。
私たちの要約アプローチ SynGraphy は、さまざまなネットワーク上の他の手法よりも優れています。

要約(オリジナル)

We describe SynGraphy, a method for visually summarising the structure of large network datasets that works by drawing smaller graphs generated to have similar structural properties to the input graphs. Visualising complex networks is crucial to understand and make sense of networked data and the relationships it represents. Due to the large size of many networks, visualisation is extremely difficult; the simple method of drawing large networks like those of Facebook or Twitter leads to graphics that convey little or no information. While modern graph layout algorithms can scale computationally to large networks, their output tends to a common ‘hairball’ look, which makes it difficult to even distinguish different graphs from each other. Graph sampling and graph coarsening techniques partially address these limitations but they are only able to preserve a subset of the properties of the original graphs. In this paper we take the problem of visualising large graphs from a novel perspective: we leave the original graph’s nodes and edges behind, and instead summarise its properties such as the clustering coefficient and bipartivity by generating a completely new graph whose structural properties match that of the original graph. To verify the utility of this approach as compared to other graph visualisation algorithms, we perform an experimental evaluation in which we repeatedly asked experimental subjects (professionals in graph mining and related areas) to determine which of two given graphs has a given structural property and then assess which visualisation algorithm helped in identifying the correct answer. Our summarisation approach SynGraphy compares favourably to other techniques on a variety of networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google