[論文レビュー] A Unifying Framework for Spectrum-Preserving Graph Sparsification and Coarsening

Gecia Bravo-Hermsdorff, Lee M. Gunderson|arXiv (Cornell University)|Feb 26, 2019

Complex Network Analysis Techniques被引用数 20

ひとこと要約

本稿は、ラプラシアンの擬似逆行列 L† を保存することで、同時にグラフのスプライシングと粗化を行う包括的な確率的枠組みを提案する。エッジの削除と縮約は、エッジ重みがゼロおよび無限大の極限において双対的である。本手法は、不偏かつ分散を最小化するサンプリング手順を用い、実世界および合成データセットにおいて、既存の手法を上回る大規模なグラフ構造の保持を実現する。

ABSTRACT

How might one "reduce" a graph? That is, generate a smaller graph that preserves the global structure at the expense of discarding local details? There has been extensive work on both graph sparsification (removing edges) and graph coarsening (merging nodes, often by edge contraction); however, these operations are currently treated separately. Interestingly, for a planar graph, edge deletion corresponds to edge contraction in its planar dual (and more generally, for a graphical matroid and its dual). Moreover, with respect to the dynamics induced by the graph Laplacian (e.g., diffusion), deletion and contraction are physical manifestations of two reciprocal limits: edge weights of $0$ and $\infty$, respectively. In this work, we provide a unifying framework that captures both of these operations, allowing one to simultaneously sparsify and coarsen a graph while preserving its large-scale structure. The limit of infinite edge weight is rarely considered, as many classical notions of graph similarity diverge. However, its algebraic, geometric, and physical interpretations are reflected in the Laplacian pseudoinverse $\mathbf{\mathit{L}}^{\dagger}$, which remains finite in this limit. Motivated by this insight, we provide a probabilistic algorithm that reduces graphs while preserving $\mathbf{\mathit{L}}^{\dagger}$, using an unbiased procedure that minimizes its variance. We compare our algorithm with several existing sparsification and coarsening algorithms using real-world datasets, and demonstrate that it more accurately preserves the large-scale structure.

研究の動機と目的

• エッジの削除（スプライシング）とノードのマージ（エッジの縮約による）を、同一の代数的枠組みで統合すること。
• 両操作が、ラプラシアン擬似逆行列 L† の文脈において、ゼロおよび無限大のエッジ重みの極限として対応することを示すこと。L† はこれらの極限においても有限かつ意味を持つこと。
• L† を保持しつつグラフサイズを同時に縮小する確率的アルゴリズムの開発。
• ハイパーボリック幾何に基づく、グラフ低減の品質を評価するより感受性の高いスペクトル類似度測度の提案。
• 実世界および合成グラフ上で、既存のスプライシングおよび粗化アルゴリズムと比較して、本手法のグローバル構造の保持性能を実証的に検証すること。

提案手法

• エッジの削除（重み → 0）とエッジの縮約（重み → ∞）を、グラフィカルマトロイドとその双対において、両方ともラプラシアン擬似逆行列 L† を保存する双対的動作として扱う。
• L† に基づく単一のコスト関数、特に二次形式 ⃗x⊤L†⃗x を用いて、同時にスプライシングと粗化を誘導する。
• 有効抵抗に比例する重みを用いた確率的エッジ選択ルールを採用し、L† を最小分散で保持するように調整する。
• 期待値が元のグラフの L† と一致する不偏なサンプリング戦略を用い、推定誤差を最小化する。
• 一元的な最適化プロセスにおいて、エッジの削除、縮約、再重み付けを統合的に可能にし、柔軟なグラフ低減を実現する。
• ハイパーボリック空間のパンデクスト半平面モデルに基づく、新たなスペクトル類似度測度を導入し、低減グラフにおける構造的忠実度をよりよく捉える。

実験結果

リサーチクエスチョン

• RQ1 エッジの削除とエッジの縮約を、ラプラシアン擬似逆行列を用いて、同一の代数的枠組みで正式に統合できるか？
• RQ2 ゼロおよび無限大のエッジ重みの極限において、ラプラシアン擬似逆行列 L† はどのように振る舞い、グラフ低減にどのような意味を持つのか？
• RQ3 一様な確率的アルゴリズムが、L† を低分散で保持しつつ、同時にスプライシングと粗化を実行できるか？
• RQ4 提案されたハイパーボリックに基づくスペクトル類似度測度は、標準的な測度と比較して、グラフ低減の品質評価において優れているか？
• RQ5 提案手法は、既存のスプライシングおよび粗化アルゴリズムよりも、大規模なグラフ構造をより正確に保持できるか？

主な発見

• 提案アルゴリズムは、特に幾何的および階層的ネットワークにおいて、既存のスプライシングおよび粗化手法を上回り、グラフの大規模構造を優れた精度で保持する。
• 無限大のエッジ重みの極限においても、ラプラシアン擬似逆行列 L† は有限かつ明確に定義されており、縮約による粗化のための堅牢な代数的基盤を提供する。
• ハイパーボリック距離測度を用いて評価した結果、本手法はグローバル構造の保持において優れた性能を示し、複数のデータセットで平均誤差が低い。
• 特にラプラシアン固有値の下位半分において、相対誤差の観点から、より優れたスペクトル類似度を達成する。
• 粗化実験では、特に幾何的グラフにおいて、Loukas et al. [55] よりも顕著に低い平均相対誤差を維持する。
• 時間的変化を示すソーシャルネットワークおよび道路網における低減プロセスの可視化から、本手法は階層的クラスタリングと時間的構造を保持しており、凝集したグループの周囲にスーパーノードが形成されることを示している。