[論文レビュー] A Hitchhiker's Guide to Choosing Parameters of Stochastic Kronecker Graphs

C. Seshadhri, Ali Pınar+1 more|arXiv (Cornell University)|Jul 1, 2011

Complex Network Analysis Techniques参考文献 23被引用数 5

ひとこと要約

この論文は、確率的クロンケルグラフ（SKG）モデルを分析し、それがべき乗則または対数正規度分布を生成できないことを明らかにしている。ノイズを導入して滑らかさを付けることで、著者らは形式的に証明し、実験的に検証した。その結果、強化されたSKGは対数正規分布を生成するが、一方で標準パラメータ下でGraph500ベンチマークにおける頂点の約75％が孤立していること、およびコア番号が極めて小さいことが判明した。

ABSTRACT

Graph analysis is playing an increasingly important role in science and industry. Due to numerous limitations in sharing real-world graphs, models for generating massive graphs are critical for developing better algorithms. In this paper, we analyze the stochastic Kronecker graph model (SKG), which is the foundation of the Graph500 supercomputer benchmark due to its many favorable properties and easy parallelization. Our goal is to provide a deeper understanding of the parameters and properties of this model so that its functionality as a benchmark is increased. We develop a rigorous mathematical analysis that shows this model cannot generate a power-law distribution or even a lognormal distribution. However, we formalize an enhanced version of the SKG model that uses random noise for smoothing. We prove both in theory and in practice that this enhancement leads to a lognormal distribution. Additionally, we provide a precise analysis of isolated vertices, showing that the graphs that are produced by SKG might be quite different than intended. For example, between 50 % and 75 % of the vertices in the Graph500 benchmarks will be isolated. Finally, we show that this model tends to produce extremely small core numbers (compared to most social networks and other real graphs) for common parameter choices.

研究の動機と目的

• 確率的クロンケルグラフ（SKG）モデルが、特に度分布に関して、現実のグラフ特性を生成できる限界を理解すること。
• SKGが多数の孤立頂点を生成する理由を調査し、それが現実のグラフベンチマークとしての有用性を損なう理由を明らかにすること。
• SKGグラフにおけるコア番号分布を分析し、現実のネットワークと比較してその現実性を評価すること。
• ノイズに基づく滑らかさを用いて、対数正規度分布を生成できるように強化されたSKGモデルを考案・形式化すること。
• 構造的・統計的欠陥を是正することで、SKGのベンチマークとしての有用性を向上させること。

提案手法

• 著者らは、SKGモデルの度分布について厳密な数学的分析を実施し、標準パラメータ設定下でべき乗則または対数正規分布を生成できないことを証明した。
• クロンケル積にランダムノイズを追加することで、度分布を滑らかにし現実性を向上させるノイズ強化SKG変種を導入した。
• 理論的分析により、特定の条件下でノイズ強化SKGモデルが漸近的に対数正規度分布に収束することを示した。
• 大規模なグラフ生成を用いた実験的検証により、標準的および強化されたSKGモデルの度分布を比較した。
• 確率的バウンドと組み合わせ論的議論を用いて、SKGグラフにおける孤立頂点の期待数を分析した。
• コア番号分布を計算し、標準的SKGと現実のネットワークを比較することで、構造的現実性を評価した。

実験結果

リサーチクエスチョン

• RQ1 確率的クロンケルグラフモデルはべき乗則または対数正規度分布を生成できるか。もしそうでないなら、その理由は何か？
• RQ2 標準的SKGモデルで生成されるグラフにおける孤立頂点の期待数はどの程度か。これはベンチマークとしての適性にどのように影響するか？
• RQ3 SKGグラフにおけるコア番号は、ソーシャルグラフなどの現実のネットワークと比べてどう異なるか？
• RQ4 SKGモデルにランダムノイズを追加することで、対数正規度分布を生成できるか？
• RQ5 強化されたSKGモデルは、ベンチマーク用途における合成グラフの現実性をどの程度向上させるか？

主な発見

• 標準的確率的クロンケルグラフモデルは、厳密な数学的分析により、標準パラメータ設定下でべき乗則または対数正規分布を生成できないことが証明された。
• 追加されたランダムノイズを用いた強化SKGモデルは、理論的および実践的両面で対数正規度分布を効果的に生成できた。
• Graph500ベンチマークで使用されるような標準的SKGモデルで生成されるグラフでは、頂点の50％から75％が孤立しており、ネットワーク構造が著しく歪められていた。
• 現実のネットワークと比較して、標準的SKGグラフのコア番号は極めて小さく、構造的現実性が低いことが示された。
• ノイズ強化SKGモデルは孤立頂点の数を減らし、コア番号を増加させることで、現実のグラフ特性に整合性を高めた。
• 実験的結果により、強化モデルが現実のグラフで観察される対数正規形状に非常に近い度分布を生成することが確認された。