[論文レビュー] Efficient random graph matching via degree profiles

Jian Ding, Zongming Ma+2 more|arXiv (Cornell University)|Nov 19, 2018

Graph Theory and Algorithms参考文献 54被引用数 24

ひとこと要約

本稿では、次数プロファイル統計を用いた効率的なアルゴリズムを提案し、平均次数 d = Ω(log²n) かつエッジ相関 δ = O(log⁻²n) の条件下で、真の頂点対応を Õ(nd² + n²) 時間で完全に回復することを達成する。この手法は、近隣の次数の経験的分布を活用し、従来の研究と比較して、はるかに弱い相関仮定のもとでも多項式時間での回復を可能にし、スパースおよびスパースでないグラフの両方をカバーする。

ABSTRACT

Random graph matching refers to recovering the underlying vertex correspondence between two random graphs with correlated edges; a prominent example is when the two random graphs are given by Erdős-Rényi graphs $G(n,\frac{d}{n})$. This can be viewed as an average-case and noisy version of the graph isomorphism problem. Under this model, the maximum likelihood estimator is equivalent to solving the intractable quadratic assignment problem. This work develops an $ ilde{O}(n d^2+n^2)$-time algorithm which perfectly recovers the true vertex correspondence with high probability, provided that the average degree is at least $d = Ω(\log^2 n)$ and the two graphs differ by at most $δ= O( \log^{-2}(n) )$ fraction of edges. For dense graphs and sparse graphs, this can be improved to $δ= O( \log^{-2/3}(n) )$ and $δ= O( \log^{-2}(d) )$ respectively, both in polynomial time. The methodology is based on appropriately chosen distance statistics of the degree profiles (empirical distribution of the degrees of neighbors). Before this work, the best known result achieves $δ=O(1)$ and $n^{o(1)} \leq d \leq n^c$ for some constant $c$ with an $n^{O(\log n)}$-time algorithm \cite{barak2018nearly} and $δ= ilde O((d/n)^4)$ and $d = ildeΩ(n^{4/5})$ with a polynomial-time algorithm \cite{dai2018performance}.

研究の動機と目的

• 相関のある Erdős-Rényi ランダムグラフのマッチングを高確率で多項式時間で行うアルゴリズムの開発。
• 従来の研究が超多項式時間またはより強い相関仮定を必要としていたのを改善すること。
• ノイズのある平均ケースのグラフ同型性設定における頂点対応の回復という課題に取り組むこと。
• これまでに知られていたものよりも弱い条件下で、完全な回復に対する理論的保証を確立すること。

提案手法

• アルゴリズムは、頂点間の距離統計として、近隣の次数の経験的分布（次数プロファイル）を用いる。
• 初期対応が与えられた小さな集合を用いてマッチングを開始する「シーディングマッチング戦略」を適用する。
• 集中不等式とチェルノフの不等式を用いて、正しいマッチングと誤ったマッチングの間の分離を分析する。
• 局所的な次数統計とグローバルな整合性チェックを組み合わせることで、ノイズや誤りに対する耐性を高める。
• スパースでないグラフでは、高次度の頂点をアンカーとして統合し、マッチングの正確性を向上させる。
• スパースなグラフでは、近隣の次数プロファイルに基づく反復的精錬を用いて、マッチングの精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 従来の研究よりも弱い相関仮定のもとで、多項式時間で完全なグラフマッチングを達成できるか？
• RQ2 平均次数 d が n に対して対数的であるとき、効率的な回復に必要な最小のエッジ相関 δ は何か？
• RQ3 マッチングにおける他のグラフ特徴と比較して、次数プロファイル統計の識別力はどの程度か？
• RQ4 シーディングマッチング戦略を次数プロファイル手法と効果的に組み合わせることで、回復の閾値を向上させられるか？
• RQ5 相関のあるランダムグラフにおける潜在的な頂点置換の回復において、次数ベースの統計の理論的限界は何か？

主な発見

• d = Ω(log²n) かつ δ = O(log⁻²n) の条件下で、アルゴリズムは高確率で Õ(nd² + n²) 時間で完全な回復を達成する。
• スパースでないグラフでは、相関閾値を δ = O(log⁻²/³n) まで改善し、依然として多項式時間で実現可能である。
• スパースなグラフでは、同じ時間計算量のもとで δ = O(log⁻²d) を達成する。
• n^{O(log n)} 時間を要するか、より強い相関（δ = O(1)）を必要としていた従来の手法よりも、本手法は優れている。
• 理論的分析により、次数プロファイル統計が、提示された条件下で正確な回復に十分な識別力を有することが確認された。
• 初期シードが敵対的に選ばれた場合でも、本手法は高確率での回復を維持する。