4. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Fragestellung
Ist es m¨oglich h¨aufiges/seltenes Auftreten von
Mustern in Graphen zu beobachten?
5. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Historie der Sozialen Netzwerkanalyse
seit Ende 18., Anfang 19. Jahrhunderts
vor 1950 eher auf
”
Klassenebene“, danach Schwenk auf
gr¨oßere Netzwerke
Stanley Milgrams
”
small-world“ Hypothese
auch auf anderen Bereichen interessant (Elektrotechnik,
Biologie, . . . )
6. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
7. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
8. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
zu regelm¨aßig
9. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
zu regelm¨aßig
nicht realit¨atsnah
10. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
zu regelm¨aßig
nicht realit¨atsnah
Ansatz 2 Konfigurationsmodell
11. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
zu regelm¨aßig
nicht realit¨atsnah
Ansatz 2 Konfigurationsmodell
generiert nicht unbedingt die Sequenz
12. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
zu regelm¨aßig
nicht realit¨atsnah
Ansatz 2 Konfigurationsmodell
generiert nicht unbedingt die Sequenz
Ansatz 3 Monte-Carlo-Markov-Ketten-Algorithmen
13. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
zu regelm¨aßig
nicht realit¨atsnah
Ansatz 2 Konfigurationsmodell
generiert nicht unbedingt die Sequenz
Ansatz 3 Monte-Carlo-Markov-Ketten-Algorithmen
haben durch empirisch bestimmte Faktoren hoch
gesetzte Laufzeiten
14. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Aufgabenstellung
Idee Analyse von Mustern mit statistischen Mitteln in
Zufallsgraphen
Ansatz 1 Erd¨os-R´enyi-Modell
zu regelm¨aßig
nicht realit¨atsnah
Ansatz 2 Konfigurationsmodell
generiert nicht unbedingt die Sequenz
Ansatz 3 Monte-Carlo-Markov-Ketten-Algorithmen
haben durch empirisch bestimmte Faktoren hoch
gesetzte Laufzeiten
Aufgabe Diesen Faktor minimieren!
16. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Was ist eine Grad-Sequenz?
F¨ur ungerichtete Graphen: S = (d1, d2, . . . , dn).
Graph mit n Knoten, die jeweils mit di Kanten inzident sind.
17. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Was ist eine Grad-Sequenz?
F¨ur ungerichtete Graphen: S = (d1, d2, . . . , dn).
Graph mit n Knoten, die jeweils mit di Kanten inzident sind.
F¨ur gerichtete Graphen:
S = d+
1 , d−
1 , d+
2 , d−
2 , . . . , (d+
n , d−
n )
der i-te Knoten hat d+
i eingehende und d−
i ausgehende
Kanten.
18. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Was ist eine Grad-Sequenz?
F¨ur ungerichtete Graphen: S = (d1, d2, . . . , dn).
Graph mit n Knoten, die jeweils mit di Kanten inzident sind.
F¨ur gerichtete Graphen:
S = d+
1 , d−
1 , d+
2 , d−
2 , . . . , (d+
n , d−
n )
der i-te Knoten hat d+
i eingehende und d−
i ausgehende
Kanten.
Beispiel: S = (2, 2) , (1, 2) , (2, 1)
1
3
2
19. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Idee des Zufallsgraphen
Wunsch: ein zuf¨allig konstruierter Graph, der an ihn gestellte
Bedingungen erf¨ullt.
20. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Idee des Zufallsgraphen
Wunsch: ein zuf¨allig konstruierter Graph, der an ihn gestellte
Bedingungen erf¨ullt.
L¨osung: viele verschiedene Modelle (Konfigurationsmodell,
Erd¨os-R´enyi-Graph, . . . )
21. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Idee des Zufallsgraphen
Wunsch: ein zuf¨allig konstruierter Graph, der an ihn gestellte
Bedingungen erf¨ullt.
L¨osung: viele verschiedene Modelle (Konfigurationsmodell,
Erd¨os-R´enyi-Graph, . . . )
Problem: erf¨ullen nicht unbedingt die gestellten Bedingungen
22. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Erd¨os-R´enyi-Modell
Gegeben:
Anzahl der Knoten n,
feste Wahrscheinlichkeit 0 ≤ p ≤ 1
23. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Erd¨os-R´enyi-Modell
Gegeben:
Anzahl der Knoten n,
feste Wahrscheinlichkeit 0 ≤ p ≤ 1
F¨ur jedes Knotenpaar wird eine Zufallszahl 0 ≤ q ≤ 1 gezogen.
Wenn q < p bekommt das Paar eine Kante.
29. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Skalenfreie Netzwerke
Algorithmische Idee
Knoten, die bereits viele Verbindungen haben, werden eher mit
anderen verbunden.
30. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Skalenfreie Netzwerke
Algorithmische Idee
Knoten, die bereits viele Verbindungen haben, werden eher mit
anderen verbunden.
Knotengerade folgen Powerlaw: P (X = x) ∼ x−k
31. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Skalenfreie Netzwerke
Algorithmische Idee
Knoten, die bereits viele Verbindungen haben, werden eher mit
anderen verbunden.
Knotengerade folgen Powerlaw: P (X = x) ∼ x−k
Beispiele hierf¨ur: Internet, Kevin-Bacon-Netzwerk, Stromnetz
westliche USA, . . .
33. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Skalenfreie Netzwerke
Knotengrad-Generierung
Gew¨unscht: Ein Netz, 5 Knoten sollen Knotengrad 1 haben,
k = 1.7.
Berechne gem¨aß powerlaw: round 5 · x−k bis Wert 0
= 5
0
, 2
1
, 1
2
Also sind es 5 Knoten mit Grad 1, 2 Knoten mit Grad 2 und einer
mit Grad 3.
36. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Konfigurationsmodell
Gegeben: Knotengradsequenz S = (d1, . . . , dn)
Konstruiert f¨ur jeden Wert der Sequenz di viele Pseudoknoten und
verbindet diese dann durch Kanten miteinander
37. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Konfigurationsmodell
Problem des Konfigurationsmodell
Beispiel: S = (3, 2, 1)
38. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Konfigurationsmodell
Problem des Konfigurationsmodell
Beispiel: S = (3, 2, 1)
1 1 1 2 2 3
39. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Konfigurationsmodell
Problem des Konfigurationsmodell
Beispiel: S = (3, 2, 1)
1 1 1 2 2 3
1 2 3
40. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Konfigurationsmodell
Vorteile: erstellt immer einen Graphen
einfach zu implementieren
beliebtes Modell f¨ur Zufallsgraphen
41. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Konfigurationsmodell
Vorteile: erstellt immer einen Graphen
einfach zu implementieren
beliebtes Modell f¨ur Zufallsgraphen
Nachteile: Graph kann Multikanten und Schleifen enthalten
43. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Monte-Carlo-Markov-Ketten-Algorithmus
1 Graph als Eingabe des Algorithmus
2 n Kantentausche
3 (anderer) Graph als Ausgabe
44. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
MCMC-Algorithmus
Was ist ein Kantentausch?
ung¨ultiger Kantentausch
→
e1 e2
e1
e2
45. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
MCMC-Algorithmus
Was ist ein Kantentausch?
ung¨ultiger Kantentausch
→
e1 e2
e1
e2
G¨ultiger Kantentausch
A B →
C D
e1
e2
A B
C D
e1
e2
46. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Graphenerstellung
Algorithmus zum Verbinden der einzelnen Knoten:
Havel-Hakimi-Algorithmus
47. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Graphenerstellung
Algorithmus zum Verbinden der einzelnen Knoten:
Havel-Hakimi-Algorithmus
1 generiert (garantiert) einfachen Graphen
2 terminiert immer
wenn Sequenz nicht als einfacher Graph realisierbar, terminiert
er mit Fehler
48. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Graphenerstellung
Algorithmus zum Verbinden der einzelnen Knoten:
Havel-Hakimi-Algorithmus
1 generiert (garantiert) einfachen Graphen
2 terminiert immer
wenn Sequenz nicht als einfacher Graph realisierbar, terminiert
er mit Fehler
Beweis, dass Havel-Hakimi f¨ur gerichtete Graphen korrekt
funktioniert: 2009 von Erd¨os und Mikl´os
49. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Frage nach der Uniformit¨at
Evaluation der Uniformit¨at anhand von Toy-Netzwerk, bestehend
aus 12 Knoten und 20 Kanten.
Insgesamt 91 g¨ultige m¨ogliche Konfigurationen.
(a) (b)
50. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Auswertung auf Toy-Netzwerk
Ergebnisse schwanken um 1.099% → uniformes Vorkommen der
einzelnen Netzwerk-Konfigurationen.
51. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Frage nach der Uniformit¨at
F¨ur kleines Beispiel ok, wie sieht es mit gr¨oßeren aus?
52. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Frage nach der Uniformit¨at
F¨ur kleines Beispiel ok, wie sieht es mit gr¨oßeren aus?
Z¨ahlung des Vorkommens bestimmter Motive: feed-forward-loop
53. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Frage nach der Uniformit¨at
F¨ur kleines Beispiel ok, wie sieht es mit gr¨oßeren aus?
Z¨ahlung des Vorkommens bestimmter Motive: feed-forward-loop
A
B
C
54. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Frage nach der Uniformit¨at
Vergleich des Vorkommens des Motives mit den Werten einer
anderen Forschungsgruppe [Alon, Uri et al, 2004].
E. coli Yeast
iterations mean std. dev. Z-value mean std. dev. Z-value
1000 7.79 3.14
10.89
14.35 4.13
14.2
(10.26) (11.54——13.47)
10000 7.65 3.08
11.15
14.54 4.14
14.2
(10.5) (11.46——13.39)
100000 7.66 3.11
11.04
14.58 4.19
13.94
(10.4) (11.31——13.22)
56. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Bis jetzt...
Bis jetzt haben wir Algorithmen die h¨ochstwahrscheinlich uniform
generieren.
Das Problem ist die Zahl n der Kantentausche. Bisher auf
100 · #Kanten festgesetzt.
57. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Bis jetzt...
Bis jetzt haben wir Algorithmen die h¨ochstwahrscheinlich uniform
generieren.
Das Problem ist die Zahl n der Kantentausche. Bisher auf
100 · #Kanten festgesetzt.
Gen¨ugt nicht auch schon ein wesentlich kleinerer Faktor?
58. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Markov-Kette
Idee: Betrachte verschiedene Konfigurationen des Graphen als
Elemente einer Markov-Kette.
59. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Markov-Kette
Idee: Betrachte verschiedene Konfigurationen des Graphen als
Elemente einer Markov-Kette.
von jedem Zustand aus ist jeder andere Zustand erreichbar
Wahrscheinlichkeit in einem Zustand zu bleiben ungleich 0
Wahrscheinlichkeit zu einem anderen Zustand zu gelangen
bleibt konstant f¨ur jeden ¨Ubergang
60. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
PageRank-Algorithmus auf Markov-Kette
”
Der PageRank-Algorithmus ist ein Verfahren, eine
Menge verlinkter Dokumente, wie beispielsweise das
World Wide Web, anhand ihrer Struktur zu bewerten
bzw. zu gewichten [...]“
wikipedia
Modifikation: Nur ein Knoten der Markov-Kette hat Initialwert
ungleich 0. Wenn uniform, verteilt sich Gewicht gleichm¨aßig.
63. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Zusammenfassung & Erkenntnisse
entwickelte Algorithmen sind korrekt
aber haben noch Optimierungsspielraum
multiplikativer Faktor stark vom Netz abh¨angig
weitere Forschung in Hinsicht auf Faktorsch¨atzung n¨otig
64. Motivation Wichtige Begriffe Experiment 1 Experiment 2 Zusammenfassung & Erkenntnisse
Vielen Dank f¨ur die Aufmerksamkeit
Noch Fragen?