[論文レビュー] Curveball: a new generation of sampling algorithms for graphs with fixed degree sequence.

Corrie Jacobien Carstens, Annabell Berger+1 more|arXiv (Cornell University)|Sep 16, 2016

Advanced Graph Theory Research被引用数 9

ひとこと要約

この論文では、固定次数列を持つ単純な無向および有向グラフを一様にランダムにサンプリングするための、新しいメトロポリス・モンテカルロアルゴリズムの族であるCurveballを紹介する。複数の同時エッジ交換（トレード）を可能にすることで、従来のスイッチングモデルと比較して収束が著しく高速化され、実験では数個のオーダーの高速化が示された。

ABSTRACT

The switching model is a Markov chain approach to sample graphs with fixed degree sequence uniformly at random. The recently invented Curveball algorithm for bipartite graphs applies several switches simultaneously (`trades'). Here, we introduce Curveball algorithms for simple (un)directed graphs which use single or simultaneous trades. We show experimentally that these algorithms converge magnitudes faster than the corresponding switching models.

研究の動機と目的

• 固定次数列を持つ一様ランダムグラフ生成のための従来のスイッチングベースのマルコフ連鎖手法の収束遅延問題に対処すること。
• 無向および有向の単純グラフに適用可能なスケーラブルで効率的なサンプリングフレームワークの開発。
• 単一の交換ではなく、複数の同時エッジ交換（トレード）を可能にすることで収束速度の向上。
• Curveballが標準的なスイッチングモデルよりも混合時間およびサンプリング効率で優れていることを実験的に検証すること。

提案手法

• エッジの同時トレードを可能にすることで、二部グラフ用のCurveball手法を一般の単純グラフに一般化したCurveballアルゴリズム。
• 2組のエッジを交換するトレード操作を用い、次数列を保存するため、生成されるグラフの妥当性を保証。
• 現在のグラフ状態を維持し、与えられた次数列を持つすべてのグラフの空間を探索するためにランダムなトレードを実行。
• 各トレードが遷移に対応するマルコフ連鎖フレームワークを採用し、連鎖が非周期的かつ再帰的であるように設計。
• 単一トレードと同時に複数のトレードをサポートし、後者により混合速度が著しく向上。
• 効率的なデータ構造を用いて利用可能なトレードを追跡し、一様サンプリングを保証する実装。

実験結果

リサーチクエスチョン

• RQ1 Curveballの収束速度は、固定次数列を持つグラフのサンプリングにおいて、従来のスイッチングモデルと比べてどの程度速いか？
• RQ2 1ステップあたりの複数のスイッチ（同時に交換するエッジ）は、グラフのマルコフ連鎖サンプリングにおける混合時間の短縮に顕著な効果をもたらすか？
• RQ3 Curveballは、さまざまな次数列およびグラフタイプにおいて、どの程度一様なサンプリングを維持できるか？
• RQ4 グラフサイズおよび次数列の複雑さの増大に伴い、Curveballの性能はどのようにスケーリングするか？
• RQ5 トレードサイズ（単一対比して同時）がマルコフ連鎖のエルゴード性および混合時間に与える影響はいかほどか？

主な発見

• Curveballは、テストされたすべてのグラフタイプおよび次数列において、標準的なスイッチングモデルと比較して、数個のオーダーの高速な収束を示した。
• 同時に複数のトレードを実行することで、グラフ空間全体に一様分布に到達するまでのステップ数が著しく削減された。
• Curveballは、固定次数列を持つ無向および有向グラフにおいて、一様サンプリングを維持した。
• グラフサイズの増大に対しても効果的にスケーリングされ、グラフサイズが大きくなるほど顕著な性能向上が得られた。
• 実験結果から、Curveballは、密度が高くまたは次数分布が不均一な場合でも、スイッチングモデルと比較してはるかに少ないイテレーションで混合に到達することが示された。
• 本手法は、べき乗則分布や正則分布を含む多様な次数分布に対しても、頑健であることが示された。