[論文レビュー] An iterative step-function estimator for graphons

Diana Cai, Nathanael Ackerman+1 more|arXiv (Cornell University)|Dec 5, 2014

Graph theory and applications参考文献 11被引用数 8

ひとこと要約

本稿では、グラフオンに対する反復的ステップ関数推定法（ISFE）を提案する。ISFEは、前回の分割のクラスに対するエッジ密度に基づいてノードを反復的にクラスタリングすることで、頂点の分割を refining する。ISFEはカット距離の近似を改善し、2段階のスチュアーディックブロックモデルにおいて高い精度の頂点分類を達成するとともに、構造的仮定を最小限に抑えつつ、ブロック構造を持つグラフオンおよび連続的グラフオンの両方でベースライン手法を上回る性能を発揮する。

ABSTRACT

Exchangeable graphs arise via a sampling procedure from measurable functions known as graphons. A natural estimation problem is how well we can recover a graphon given a single graph sampled from it. One general framework for estimating a graphon uses step-functions obtained by partitioning the nodes of the graph according to some clustering algorithm. We propose an iterative step-function estimator (ISFE) that, given an initial partition, iteratively clusters nodes based on their edge densities with respect to the previous iteration's partition. We analyze ISFE and demonstrate its performance in comparison with other graphon estimation techniques.

研究の動機と目的

• 計算的に実行可能なグラフオン推定手法を開発し、既存のステップ関数推定法を改善するため、頂点の分割を反復的に refining する。
• 交換可能なランダムグラフの文脈において、高品質なグラフオン推定をもたらすクラスタリング手法の開発という課題に取り組む。
• グラフサイズが増加するにつれて、2段階のスチュアーディックブロックモデルにおいて、ISFEが増加する割合の頂点を正しく分類できる能力を示す。
• ISFEの実世界ネットワークおよび連続的グラフオンにおける性能を、既存のグラフオン推定技術と比較して評価する。

提案手法

• ISFEは、通常k-meansなどのクラスタリングアルゴリズムからの初期頂点分割を出発点とする。
• 各反復において、ノードは直前の分割における各クラスへの平均エッジ密度に基づいて再分割される。
• この方法は、 refined 分割から導かれるヒストограмのようなステップ関数推定器を用いる。クラス間のエッジ密度がステップ関数の値を形成する。
• 反復的プロセスは、推定されたステップ関数と真のグラフオンとの間のカット距離を最小化することを目的として設計されている。
• 2段階のスチュアーディックブロックモデルにおいて、ISFEの変種を理論的に分析し、n と k が増加するにつれて高精度な分類に収束することを示している。
• 実験的評価では、スパarsity問題を軽減するため、より密な部分グラフを有する実世界データセット（NIPS, ca-AstroPh, Epinions）を用いている。

実験結果

リサーチクエスチョン

• RQ1 頂点分割の反復的リファインメントは、カット距離の観点から、グラフオン推定の精度向上に寄与するか？
• RQ2 グラフサイズとクラス数が増加する際、ISFEは2段階のスチュアーディックブロックモデルにおいて、頂点の分類精度がどの程度向上するか？
• RQ3 強い構造的仮定を設けずに、連続的グラフオンおよび実世界ネットワークにおいても、ISFEは高い性能を維持するか？
• RQ4 他の実行可能なグラフオン推定手法と比較して、ISFEの精度と収束速度はどの程度か？

主な発見

• 2段階のスチュアーディックブロックモデルにおいて、グラフサイズ n とクラス数 k が増加するにつれて、ISFEは任意に大きな割合の頂点を高確率で正しく分類する。
• ε と ξ に関する適切な条件下で、少なくとも τ′ の頂点を正しく分類する確率は、n → ∞ および k → ∞ のとき 1 に近づく。
• 初期分割が頂点の定数割合を正しく分類している場合でさえ、ISFEは高精度な頂点分類を達成する。
• 実世界データセットでは、ISFEはより密な部分グラフにおいて詳細なブロック構造を効果的に回復し、解釈可能なステップ関数推定値を生成する。
• 連続的グラフオンにおいても、ISFEは他の実行可能なグラフオン推定器と同等の性能を発揮し、基礎となる構造に関する仮定をより少なくしている。
• この手法は高速に収束し、ISFE推定に従って再配置された隣接行列が視覚的に整合性を持つことから、効果的なコミュニティ検出が可能であることが示された。