[論文レビュー] Effective and efficient approximations of the generalized inverse of the graph Laplacian matrix with an application to current-flow betweenness centrality

Enrico Bozzo, Massimo Franceschet|arXiv (Cornell University)|May 22, 2012

Complex Network Analysis Techniques参考文献 23被引用数 8

ひとこと要約

この論文では、グラフラプラシアン行列の一般化逆行列の効率的近似手法を提案し、わずかな固有対の数のみを用いて、電流フロー間接性中心性のスケーラブルな計算を可能にする。ストレッチ近似法は、たった1つの固有対を用いるだけで正確な順位付けと相関係数 r > 0.9 を達成し、時間計算量を O(n³) から O(n¹.⁵)、メモリ使用量を O(n²) から O(n) に削減することで、大規模ネットワーク解析を現実可能にする。

ABSTRACT

We devise methods for finding approximations of the generalized inverse of the graph Laplacian matrix, which arises in many graph-theoretic applications. Finding this matrix in its entirety involves solving a matrix inversion problem, which is resource demanding in terms of consumed time and memory and hence impractical whenever the graph is relatively large. Our approximations use only few eigenpairs of the Laplacian matrix and are parametric with respect to this number, so that the user can compromise between effectiveness and efficiency of the approximated solution. We apply the devised approximations to the problem of computing current-flow betweenness centrality on a graph. However, given the generality of the Laplacian matrix, many other applications can be sought. We experimentally demonstrate that the approximations are effective already with a constant number of eigenpairs. These few eigenpairs can be stored with a linear amount of memory in the number of nodes of the graph and, in the realistic case of sparse networks, they can be efficiently computed using one of the many methods for retrieving few eigenpairs of sparse matrices that abound in the literature.

研究の動機と目的

• 大規模ネットワークにおいて、グラフラプラシアン行列の一般化逆行列を完全に計算することが計算的に非現実的であるという問題に対処すること。
• わずかな数の固有対のみを活用することで、精度と効率のバランスを取った近似手法を開発すること。
• 社会的・生物学的・技術的グラフを含む大規模ネットワークにおいて、電流フロー間接性中心性の実用的計算を可能にすること。
• 少数の固有対に基づく近似が、時間的・メモリ的要件を著しく削減しながらも高い精度を達成できることを示すこと。

提案手法

• ラプラシアン行列の少数の固有対を用いる2つの近似手法（カットオフ法とストレッチ法）を提案する。
• カットオフ近似は、計算された固有対のみを用いて、一般化逆行列の要素を推定する。
• ストレッチ近似は、除外された固有対の推定値を組み込むことで精度を向上させる。
• 両手法ともパrametricであり、精度と効率のトレードオフを調整可能な固有対の数をユーザーが設定可能である。
• 両手法は、一般化逆行列の定式化を介して電流フロー間接性中心性の計算に応用される。
• 理論的分析により、ストレッチ近似がカットオフ近似よりも優れていることが示された。

実験結果

リサーチクエスチョン

• RQ1 ラプラシアン行列の少数の固有対を用いて、その一般化逆行列を効果的に近似できるか？
• RQ2 使用する固有対の数が増えるに従い、近似の精度はどのように変化するか？
• RQ3 提案された近似手法により、大規模ネットワークにおける電流フロー間接性中心性の効率的計算が可能になるか？
• RQ4 カットオフ法とストレッチ法は、精度と効率の観点でどのように比較できるか？
• RQ5 時間的・メモリ的コストの観点から、近似精度と計算コストのトレードオフはどのようなものか？

主な発見

• ストレッチ近似法は、たった1つの固有対を用いるだけで、正確な電流フロー間接性中心性順位付けとの相関係数が 0.9 を超える。
• 近似の時間計算量は、正確な逆行列計算の O(n³) から O(n¹.⁵) に削減され、10⁶ノードのグラフでも1時間未満で計算可能となった。
• メモリ使用量は O(n²) から O(n) に削減され、10⁶ノードのネットワークでは約1メガバイトのメモリで十分となった。
• ERネットワークでは、BAネットワークよりも最初の数個の固有対の計算が約1桁速い。
• ストレッチ近似（1つの固有対）とノードペアの確率的サンプリングを組み合わせたアプローチにより、ノードペア空間の10%未満で高い精度が達成された。
• BAモデルおよびERモデルの両方において、時間計算量のR二乗適合値は0.997以上であり、観測されたスケーリング行動に対する強いモデル適合を示している。