[論文レビュー] ABRA: Approximating Betweenness Centrality in Static and Dynamic Graphs with Rademacher Averages

Matteo Riondato, Eli Upfal|arXiv (Cornell University)|Feb 18, 2016

Complex Network Analysis Techniques参考文献 9被引用数 17

ひとこと要約

ABRAは、統計的学習理論におけるラドマッハーアベージと擬次元から得られる理論的誤差保証を用いて、静的および動的グラフにおける媒介性中心性（BC）の確率的保証付き高品質近似を計算する、新しいサンプリングベースのアルゴリズム族を提案する。既存の最先端手法に比べて高速かつサンプル効率に優れ、強い理論的誤差保証を維持している。実験結果では、従来手法と比較して顕著に低い誤差とサンプルサイズを達成している。

ABSTRACT

We present ABRA, a suite of algorithms that compute and maintain probabilistically-guaranteed, high-quality, approximations of the betweenness centrality of all nodes (or edges) on both static and fully dynamic graphs. Our algorithms rely on random sampling and their analysis leverages on Rademacher averages and pseudodimension, fundamental concepts from statistical learning theory. To our knowledge, this is the first application of these concepts to the field of graph analysis. The results of our experimental evaluation show that our approach is much faster than exact methods, and vastly outperforms, in both speed and number of samples, current state-of-the-art algorithms with the same quality guarantees.

研究の動機と目的

• 大規模な静的および動的グラフにおける媒介性中心性（BC）の近似のための効率的で、確率的保証付きのアルゴリズムを開発すること。
• 従来の手法で計算コストが高くなるグローバルなグラフ特性（例：頂点直径）の追跡を不要にする。
• サンプルサイズを削減しながらも強い理論的誤差境界を維持するように、既存のサンプリングベースのBC近似アルゴリズムを改善すること。
• ラドマッハーアベージと擬次元といった統計的学習理論の概念を、初めてグラフ解析に応用すること。
• 適応的サンプルサイズ選択を可能にするプログレッシブなサンプリング戦略を設計すること。

提案手法

• ABRAはプログレッシブなランダムサンプリングを用いてBCを推定し、ラドマッハーアベージに基づく停止条件に従って動的にサンプルサイズを調整する。
• ラドマッハーアベージの理論的境界を用いて、高確率で$(\varepsilon, \delta)$-近似を保証する停止条件を導出する。
• 擬次元を用いてBC計算タスクのサンプル複雑度を分析し、先行研究を一般化し、より緊密な境界を可能にする。
• 各更新後にグローバルなグラフ特性（例：頂点直径）を再計算しないため、効率的な動的グラフの維持が可能になる。
• トップ-$k$ BCノード用のバリアントと、サンプルサイズの増加を最小限に抑えつつ近似品質を向上させる修正推定器を含む。
• 自動的なサンプルスケジュールを導入し、次回のサンプルサイズを適応的に選択する。多くの場合、2回の反復で終了する。

実験結果

リサーチクエスチョン

• RQ1 ラドマッハーアベージと擬次元をグラフ中心性計算に効果的に適用することで、サンプル複雑度と近似保証を向上させることができるか？
• RQ2 適応的サンプルスケジューリングを用いたプログレッシブサンプリングは、固定または幾何的サンプルスケジュールに比べ、速度とサンプル効率において優れているか？
• RQ3 ABRAは各エッジ更新後に高価なグローバル特性を再計算しなくても、動的グラフにおいて高品質なBC近似を維持できるか？
• RQ4 実際の誤差は、理論的な$(\varepsilon, \delta)$-保証と比べてどのように異なるか？
• RQ5 より緊密な統計的境界を用いることで、同じ誤差保証を維持しながら必要なサンプルサイズを削減できるか？

主な発見

• ABRA-sは実際の実験で常にわずか2回の反復で終了しており、自動サンプルスケジュールが初期段階で最適なサンプルサイズを効果的に特定していることを示している。
• すべての実験実行において、最大絶対誤差は理論的$\varepsilon$境界を厳密に下回っており、平均誤差は$\varepsilon$の3桁分小さい。
• すべてのグラフにおける最大誤差は$\varepsilon$の1桁分小さく、標準偏差も非常に低く、一貫性の高さが示されている。
• ABRAは、同じ誤差保証のもとで、最先端手法RKと比較して速度とサンプル数の両面で優れており、顕著に少ないサンプルサイズで実現している。
• 理論的境界は実際の状況では保守的であることが示され、より緊密な境界を導出することで、正確性を損なわずさらなるサンプルサイズ削減が可能である可能性がある。
• ABRA-dは、頂点直径の追跡や緩いユニオンバウンダリー近似に依存する従来の動的BC手法に比べ、効率的で特性に依存しない設計ゆえに、特に優れた性能を発揮すると予想される。