[論文レビュー] Counting Hypergraphs in Data Streams

He Sun|arXiv (Cornell University)|Apr 28, 2013

Data Management and Algorithms参考文献 15被引用数 4

ひとこと要約

本稿では、動的かつ大規模なハイパーグラフにおいて、定数サイズの任意のハイパーグラフのカウントを、非線形空間で行う最初のストリーミングアルゴリズムを提示する。複素数値の確率変数と、新しい種類のグラフ多項式を活用することで、ハイパーグラフ $H$ の同型コピーの数に対する $(1\pm\varepsilon)$-近似が達成され、空間計算量は $O\left(\frac{1}{\varepsilon^2} \cdot \frac{m^k}{(\#H)^2} \cdot \log n\right)$ となる。このアルゴリズムはターンスタイルモデルおよび分散環境にも適用可能である。

ABSTRACT

We present the first streaming algorithm for counting an arbitrary hypergraph $H$ of constant size in a massive hypergraph $G$. Our algorithm can handle both edge-insertions and edge-deletions, and is applicable for the distributed setting. Moreover, our approach provides the first family of graph polynomials for the hypergraph counting problem. Because of the close relationship between hypergraphs and set systems, our approach may have applications in studying similar problems.

研究の動機と目的

• 大規模で動的に変化するハイパーグラフにおける部分ハイパーグラフのカウントという根本的課題に取り組む。従来のオフライン手法では、高コストなストレージ要件のため、実行不可能である。
• エッジの挿入と削除を両方サポートする（ターンスタイルモデル）ストリーミングアルゴリズムを設計し、進化するハイパーグラフデータのリアルタイム解析を可能にする。
• ハイパーグラフカウントのための最初のグラフ多項式の族を構築し、部分構造の列挙のための新しい代数的フレームワークを提供する。
• アルゴリズムのモジュラリティと合成可能性を保証することで、分散環境における効率的かつスケーラブルな計算を可能にする。

提案手法

• アルゴリズムは、ターゲットハイパーグラフ $H$ の各エッジに対応する $k$ 個の複素数値確率変数 $Z_{e_i^*}$ を用い、潜在的な埋め込みを追跡する。
• ストリーム内の各エッジに対して、構造的一致性を保つランダムハッシュ関数に基づいて、特定の $Z_{e_i^*}$ 変数を更新する。
• 最終的な推定値は、積 $\prod_{i=1}^k Z_{e_i^*}$ として形成され、その期待値は $G$ 内の $H$-コピーの数に一致する。
• この手法は、頂点およびエッジのマッピングが埋め込み全体で一貫している場合にのみ、複素数変数の積の期待値が非ゼロになることに依存する。
• 分散を制御するため、$s = O\left(\frac{1}{\varepsilon^2} \cdot \frac{m^k}{(\#H)^2}\right)$ 個の独立した推定器を並列に実行し、その出力を平均化する。
• 理論的保証は、複素数確率変数に対するチェビシェフの不等式を用いて導出され、真のカウントの周囲に高い確率で集中することが保証される。

実験結果

リサーチクエスチョン

• RQ1 定数サイズのハイパーグラフのカウントを、1パス、動的データストリームにおいて非線形空間で効率的に近似可能か？
• RQ2 挿入と削除の両方をサポートするターンスタイルモデルを、ストリーミング環境におけるハイパーグラフカウントにどう活用できるか？
• RQ3 ハイパーグラフ $H$ の同型コピーの数を正確に数えることができるグラフ多項式の族を定義することは可能か？
• RQ4 ストリーミングモデルにおける $(1\pm\varepsilon)$-近似ハイパーグラフカウントの最適な空間計算量および更新時間計算量は何か？

主な発見

• アルゴリズムは、任意の定数サイズのハイパーグラフ $H$ について、$G$ 内の同型コピーの数に対する $(1\pm\varepsilon)$-近似を、確率 $2/3$ 以上で達成する。
• 空間計算量は $O\left(\frac{1}{\varepsilon^2} \cdot \frac{m^k}{(\#H)^2} \cdot \log n\right)$ ビットであり、これは、$\Omega\left(\frac{m^k \log n}{\#H}\right)$ の空間を要するナイーブなサンプリング手法に比べ顕著に改善されている。
• アルゴリズムはターンスタイルモデルをサポートしており、エッジの挿入と削除の両方を可能にし、分散ストリーミング環境にも適用可能である。
• 本手法は、$p_H(G)$ が $G$ 内の $H$ の同型コピーの数に一致するような、最初のグラフ多項式族 $\{p_H\}$ を導入している。値は $\mathbb{N} \cup \{0\}$ に属する。
• 密度の高いハイパーグラフ（$\#H = \omega(m^{(k-1)/2})$）では、アルゴリズムは非線形空間計算量を維持しながら、$(1\pm\varepsilon)$-精度を達成する。
• 推定器の分散は複素数値モーメント解析により有界に保たれ、最終的な推定値は $s = O\left(\frac{1}{\varepsilon^2} \cdot \frac{m^k}{(\#H)^2}\right)$ 個の独立した実行の平均値として得られ、集中性が保証される。