[論文レビュー] Edge Label Inference in Generalized Stochastic Block Models: from Spectral Theory to Impossibility Results

Jiaming Xu, Laurent Massoulié+1 more|arXiv (Cornell University)|Jun 26, 2014

Complex Network Analysis Techniques参考文献 27被引用数 33

ひとこと要約

本稿では、潜在的ノード属性とラベル付きエッジを有する一般化されたストキャスティックブロックモデル（GSBM）におけるエッジラベル推定のためのスペクトル的手法を提案する。平均次数がネットワークサイズに対して対数的である場合、漸近的に正しい推定が達成される。平均次数が下限より小さいと、いかなるアルゴリズムでもランダム推測を上回れないという鋭い閾値を確立し、スパarsな非クラスタ構造ネットワークにおける根本的限界を示している。

ABSTRACT

The classical setting of community detection consists of networks exhibiting a clustered structure. To more accurately model real systems we consider a class of networks (i) whose edges may carry labels and (ii) which may lack a clustered structure. Specifically we assume that nodes possess latent attributes drawn from a general compact space and edges between two nodes are randomly generated and labeled according to some unknown distribution as a function of their latent attributes. Our goal is then to infer the edge label distributions from a partially observed network. We propose a computationally efficient spectral algorithm and show it allows for asymptotically correct inference when the average node degree could be as low as logarithmic in the total number of nodes. Conversely, if the average node degree is below a specific constant threshold, we show that no algorithm can achieve better inference than guessing without using the observations. As a byproduct of our analysis, we show that our model provides a general procedure to construct random graph models with a spectrum asymptotic to a pre-specified eigenvalue distribution such as a power-law distribution.

研究の動機と目的

• クラスタ構造を欠くネットワークにおけるエッジラベル推定を扱い、古典的なコミュニティ検出を拡張すること。
• エッジがラベル（例：スコア、関係タイプ、遺伝子発現レベル）を有し、ノードが一般のコンact空間からの潜在的属性を持つネットワークをモデル化すること。
• モデルのパラメータに関する事前知識なしに、部分的なラベル付きネットワーク観測から潜在的なエッジラベル分布を推定すること。
• 平均次数の鋭い閾値を同定することで、推定の根本的限界を確立すること。この閾値未満では、いかなるアルゴリズムでもランダム推測を上回れない。

提案手法

• 観測されたラベル付きエッジから重み付き隣接行列を構築するための確率的重み付け戦略を用いたスペクトル的手法を提案する。
• 重み付き隣接行列のスペクトル分解を用いて、潜在的ノード属性およびエッジラベル分布を推定する。
• ノードの局所的近傍とラベル付きガルトン＝ワトソン木とのカップリングを用いて、局所構造を分析する。
• スパarsなランダムグラフの木に類似した構造を活用し、信号強度が低い場合に根ノードと葉ノードの属性が漸近的に独立であることを示す。
• 集中不等式および固有値の摂動理論を用いて、ラベル分布回復における推定誤差の上限を導出する。
• 平均次数が ω₀ より小さい場合、ラベル分布をランダム推測を上回って信頼性高く推定することは不可能であるという閾値パラメータ ω₀ を導出する。

実験結果

リサーチクエスチョン

• RQ1 ノードに潜在的属性があり、エッジがこれらの属性の未知関数に従ってラベル付けされるが、クラスタ構造を欠くネットワークにおいて、エッジラベル分布を信頼性高く推定できるか？
• RQ2 このようなモデルにおいて、任意のアルゴリズムがエッジラベルをランダム推測を上回る推定を達成できる最小の平均次数は何か？
• RQ3 計算複雑性にかかわらず、エッジラベル推定が不可能になる情報理論的限界が存在するか？
• RQ4 平均次数がネットワークサイズの対数的に増加するスパarsな領域において、スペクトル手法はどのように性能を示すか？
• RQ5 このモデルを用いて、事前に指定された固有値分布（例：べき乗則スペクトル）に漸近的に一致するランダムグラフを構築できるか？

主な発見

• 平均次数が Ω(log n)、すなわちノード数に対して対数的である場合、計算的に効率的なスペクトル的手法が漸近的に正しいエッジラベル推定を達成する。
• 平均次数が臨界閾値 ω₀ より小さい場合、いかなるアルゴリズムでもエッジラベルをランダム推測を上回って推定できないことが示され、不可能性の結果が得られる。
• 本モデルを用いることで、事前に指定された固有値分布（例：べき乗則分布）に漸近的に一致するランダムグラフを構築可能である。
• スペクトル手法によるエッジラベル分布推定誤差は、O(1/|λ₁|²ε²) の項で抑えられ、ここで λ₁ は最大固有値、ε はスペクトル近似の分解能を制御するパラメータである。
• ノードの局所的グラフ近傍とラベル付きガルトン＝ワトソン木とのカップリングにより、ω < ω₀ の場合に根ノードと葉ノードの属性が漸近的に独立であることを証明できる。
• 不可能性閾値を超えると、ノード属性の周辺分布が一様分布（1/r）に収束し、情報の回復が不可能であることが示される。