[論文レビュー] First-Order Model-Checking in Random Graphs and Complex Networks

Jan Dreier, Philipp Kuinke+1 more|arXiv (Cornell University)|Jan 1, 2020

Formal Methods in Verification参考文献 63被引用数 1

ひとこと要約

本稿では、式長をパrameterとするほぼ線形時間固定パrameter tractable (FPT) 1階論理モデルチェックの実現を可能にする、α-パワー則有界ランダムグラフモデルを導入する。α ≥ 3 の場合、p-MC(FO, G) は任意の ε > 0 に対して f(|ϕ|)n^{1+ε} 時間で解けることが証明され、優先的付加、Chung–Lu、構成、スパース Erdős–Rényi グラフなどに一般化された tractability が得られる。

ABSTRACT

Complex networks are everywhere. They appear for example in the form of biological networks, social networks, or computer networks and have been studied extensively. Efficient algorithms to solve problems on complex networks play a central role in today's society. Algorithmic meta-theorems show that many problems can be solved efficiently. Since logic is a powerful tool to model problems, it has been used to obtain very general meta-theorems. In this work, we consider all problems definable in first-order logic and analyze which properties of complex networks allow them to be solved efficiently. The mathematical tool to describe complex networks are random graph models. We define a property of random graph models called $α$-power-law-boundedness. Roughly speaking, a random graph is $α$-power-law-bounded if it does not admit strong clustering and its degree sequence is bounded by a power-law distribution with exponent at least $α$ (i.e. the fraction of vertices with degree $k$ is roughly $O(k^{-α})$). We solve the first-order model-checking problem (parameterized by the length of the formula) in almost linear FPT time on random graph models satisfying this property with $α\ge 3$. This means in particular that one can solve every problem expressible in first-order logic in almost linear expected time on these random graph models. This includes for example preferential attachment graphs, Chung-Lu graphs, configuration graphs, and sparse Erdős-Rényi graphs. Our results match known hardness results and generalize previous tractability results on this topic.

研究の動機と目的

• 複雑ネットワークの構造的性質を同定し、その性質が効率的な1階論理モデルチェックを可能にするかを明らかにすること。
• 実世界のネットワークが示すパワー則度分布や低クラスタリングといった特徴を捉える一般クラスのランダムグラフモデル—α-パワー則有界グラフ—を定義すること。
• これらのモデルにおける1階論理モデルチェックに対して、ほぼ線形FPT時間アルゴリズムを確立し、既知の tractability 結果を拡張すること。
• ランダムグラフの抽象化を用いて、アルゴリズム的メタ定理と現実世界のネットワークモデルを橋渡しすること。

提案手法

• α-パワー則有界性の導入：ランダムグラフが度分布が指数 α ≥ 3 のパワー則に従い、強くクラスタリングしない場合、そのグラフはα-パワー則有界と定義する。
• Gaifmanの局所性定理を用いて、1階論理モデルチェックを頂点の局所的r近傍への還元する。
• α-パワー則有界グラフにおける近傍の構造的分解を構築し、局所的計算を効率化する。
• スモールワールド性と有界拡張性を活用し、局所的近傍が小さく、実用的に計算可能であることを保証する。
• α ≥ 3 の場合、期待される三角形数がnに関して多対数的であることを証明し、強いクラスタリングの不在を裏付ける。
• 変換技術を用いて、間接的にクラスタリングされたモデルへの拡張を実現し、一部のクラスタリングモデルがα-パワー則有界モデルの1階論理的変換であることを示す。

実験結果

リサーチクエスチョン

• RQ1 パワー則度分布と低クラスタリングを有する複雑ネットワークモデルにおいて、1階論理モデルチェックが効率的に解けるか。
• RQ2 ランダムグラフモデルのどの構造的性質が、1階論理モデルチェックにおけるほぼ線形FPT時間の実現を可能にするか。
• RQ3 α-パワー則有界性は、どこでも密集しない性質や有界拡張性といった既知の tractability 条件とどのように関係するか。
• RQ4 本フレームワークは、Kleinberg やハイパーボリックランダムグラフモデルのようなクラスタリングされたランダムグラフモデルへ拡張可能か。
• RQ5 1階論理的変換を用いて、α-パワー則有界モデルからの tractability をクラスタリングモデルへ移す方法はあるか。

主な発見

• α-パワー則有界ランダムグラフモデル（α ≥ 3）において、1階論理モデルチェック問題 p-MC(FO, G) は、任意の ε > 0 に対して f(|ϕ|)n^{1+ε} 時間で解ける。
• 本フレームワークは、優先的付加グラフ、Chung–Lu グラフ、構成モデル、スパース Erdős–Rényi グラフといった代表的モデルを含む。
• α ≥ 3 のα-パワー則有界グラフにおける期待される三角形数はnに関して多対数的であり、低クラスタリングを確認する。
• ランダムインターセクショングラフやその他の高密度クラスタリングモデルは、任意のαに対してα-パワー則有界でないことが示され、本フレームワークの限界を示している。
• アルゴリズムの実行時間は式長に非初等的依存を示し、木における既知の下界と一致するため、平均ケース設定ではこれが本質的である可能性がある。
• 結果から、クラスタリングモデルはα-パワー則有界モデルの1階論理的変換として扱える可能性があることが示唆され、将来的な拡張への道筋が開かれる。