[論文レビュー] Bidirectional PageRank Estimation: From Average-Case to Worst-Case

Peter Lofgren, Siddhartha Banerjee+1 more|arXiv (Cornell University)|Jul 30, 2015

Complex Network Analysis Techniques参考文献 22被引用数 7

ひとこと要約

この論文は、前向きのローカルプッシュと逆方向のランダムウォークを組み合わせることで、worst-caseで部分線形実行時間となる、非有向グラフ向けの新しい双方向PageRank推定法Undirected-BiPPRを提案する。ランダムウォークの可逆性を活用して、平均ケースの保証をworst-caseの境界に変換し、πₛ[t] > dₜ/m の条件下でε相対誤差推定に対してO(√m/ε)のworst-case実行時間を達成する。

ABSTRACT

We present a new algorithm for estimating the Personalized PageRank (PPR) between a source and target node on undirected graphs, with sublinear running-time guarantees over the worst-case choice of source and target nodes. Our work builds on a recent line of work on bidirectional estimators for PPR, which obtained sublinear running-time guarantees but in an average-case sense, for a uniformly random choice of target node. Crucially, we show how the reversibility of random walks on undirected networks can be exploited to convert average-case to worst-case guarantees. While past bidirectional methods combine forward random walks with reverse local pushes, our algorithm combines forward local pushes with reverse random walks. We also discuss how to modify our methods to estimate random-walk probabilities for any length distribution, thereby obtaining fast algorithms for estimating general graph diffusions, including the heat kernel, on undirected networks.

研究の動機と目的

• 非有向グラフ上でworst-caseで部分線形実行時間となる、パーソナライズドPageRank（PPR）推定アルゴリズムの開発。
• 従来の双方向推定法が平均ケースの実行時間保証しか提供できなかったという制限を克服すること。
• 非有向グラフにおけるランダムウォークの可逆性を活用して、平均ケースの保証をworst-caseの性能保証に変換すること。
• 多段階遷移確率を推定することで、熱核を含む一般のグラフ拡散を推定するためのアプローチを拡張すること。
• 任意のソース・ターゲットペアに対して成り立つ理論的実行時間および精度の境界を提供すること。

提案手法

• 従来の双方向手法とは逆方向の方向性を用いる、前向きのローカルプッシュと逆方向のランダムウォークを組み合わせた新しい推定法Undirected-BiPPRを提案。
• ℓ_maxまでの各ステップ長に対して推定値および残差ベクトルを維持するため、REVERSE-PUSHアルゴリズムの変更版を用いる。
• ランダムウォークの可逆性 pₛ^ℓ[t]dₛ = pₜ^ℓ[s]dₜ を適用して、前向きおよび逆方向のウォーク確率を関連付け、双方向推定を可能にする。
• 残差値がしきい値 r_max を超えるノードのみを処理するローカル更新メカニズムを採用し、誤差が有界な収束を保証する。
• 前向きおよび逆方向ウォーク寄与を結びつける重要な不変式 pₛ^ℓ[t] = qₛ^ℓ[t] + dₜ∑ₖ∑ᵥ (rₛ^k[v]/dᵥ)pₜ^ℓ−k[v] を導出する。
• 長さ分布に基づく任意のグラフ拡散を定義するため、部分的な多段階遷移確率を推定することでフレームワークを一般化する。

実験結果

リサーチクエスチョン

• RQ1 非有向グラフ上でパーソナライズドPageRank推定に対して、平均ケースの保証を超えてworst-caseで部分線形実行時間の達成は可能か？
• RQ2 非有向グラフにおけるランダムウォークの可逆性を形式的にどのように活用して、平均ケースの保証をworst-caseの性能境界に変換できるか？
• RQ3 すべてのソース・ターゲットペア（特に典型的またはランダムなペアに限らない）に対して、精度と効率を維持する双方向推定法を設計することは可能か？
• RQ4 このフレームワークは、PageRankに限らず、熱核のような一般のグラフ拡散を推定するために拡張可能か？
• RQ5 worst-case PPR推定の理論的下界は何か？ そして、提案手法の性能と比較するとどうなるか？

主な発見

• 提案されたUndirected-BiPPRアルゴリズムは、πₛ[t] > dₜ/m の条件下で、ε相対誤差推定に対してworst-case実行時間O(√m/ε)を達成する。
• このアルゴリズムは、非有向グラフ上でパーソナライズドPageRank推定に対して、worst-caseで部分線形実行時間保証を達成する初の手法である。
• 逆方向のローカルプッシュではなく逆方向のランダムウォークを用いることで、ランダムウォークの可逆性を活用し、worst-case境界を実現する。
• フレームワークは、長さ分布が与えられた任意のグラフ拡散を推定するために一般化可能であり、多段階遷移確率を推定することで実現される。
• アルゴリズムは高い確率で精度を維持し、攻撃的（adversarial）なターゲットノードに対してもworst-caseで部分線形にスケーリングする実行時間を持つ。
• 平均ケース性能とworst-case理論的限界のギャップを埋め、worst-case設定において従来手法に比べて顕著な改善をもたらす。