[論文レビュー] Graphons: A Nonparametric Method to Model, Estimate, and Design Algorithms for Massive Networks

Christian Borgs, Jennifer Chayes|arXiv (Cornell University)|Jun 4, 2017

Complex Network Analysis Techniques参考文献 35被引用数 12

ひとこと要約

この論文は、特にスパースなネットワークに対して、グラフオンを非パrametricな枠組みとして導入し、大規模ネットワークのモデリング、推定、アルゴリズム設計を行う。サンプリングされたネットワークからのグラフオンの一貫性のある推定を確立し、ネットワーク補完と協調フィルタリングに応用することで、$ p = \omega(d^2 n^{-1}) $ の条件下でも、以前の境界よりも著しく改善されたスパースなサンプリング下でも正確なリンク予測が可能であることを示している。

ABSTRACT

Many social and economic systems are naturally represented as networks, from off-line and on-line social networks, to bipartite networks, like Netflix and Amazon, between consumers and products. Graphons, developed as limits of graphs, form a natural, nonparametric method to describe and estimate large networks like Facebook and LinkedIn. Here we describe the development of the theory of graphons, for both dense and sparse networks, over the last decade. We also review theorems showing that we can consistently estimate graphons from massive networks in a wide variety of models. Finally, we show how to use graphons to estimate missing links in a sparse network, which has applications from estimating social and information networks in development economics, to rigorously and efficiently doing collaborative filtering with applications to movie recommendations in Netflix and product suggestions in Amazon.

研究の動機と目的

• グラフオンを、密度的およびスパースなグラフ列の極限として定義し、社会的ネットワークや二部グラフのような大規模ネットワークをモデリング・推定する非パrametric手法を開発すること。
• スパースでノイズが混在し、部分的に観測されたネットワークデータからグラフオンの一致推定を確立すること。
• グラフオンに基づく推定を、特に映画や商品推薦のような協調フィルタリング設定におけるネットワーク補完問題に応用すること。
• 高次元の潜在空間モデルにおける一貫性のある推定に必要なサンプリング密度の理論的境界を改善すること。

提案手法

• グラフオン—対称的かつ可測な関数 $ W: [0,1]^2 \to [0,1] $—を用いてネットワークをモデル化し、密度的およびスパースなグラフ列の極限形を表す。
• カット距離とグラフ収束理論を用いて推定の一貫性を定義し、適切なサンプリング条件下で、経験的グラフオンが真のグラフオンに収束することを保証する。
• AbbeとSandon（2015）が提唱した拡張近傍法を用い、スパarsityに対処する。これは反復的近傍拡張により共通の近傍を同定する。
• グラフオンを関数的枠組みにおける作用素として扱い、高次元潜在空間における推定の分散を制御し、誤差境界を導出する。
• エッジ差分プライバシー下でも一貫性のあるグラフオン推定を確立し、プライバシーを保ちながら統計的正確性を維持する。
• スパースなサンプリング下でのグラフオン推定の平均二乗誤差境界を導出し、$ p = \omega(d^2 n^{-1}) $ の条件下で収束がゼロに近づくことを示す。

実験結果

リサーチクエスチョン

• RQ1 グラフオンは、スパースでノイズの混在したサンプルから、一貫性のある非パrametricな方法で大規模ネットワークを推定できるか？
• RQ2 高次元潜在空間モデルにおけるグラフオンの一致推定を保証するためには、どの程度のサンプリング密度が必要か？
• RQ3 グラフオンを用いることで、実世界のスパースなネットワーク（例えば、ソーシャルネットワークや二部グラフ推薦システム）における欠落リンクの補完が可能か？
• RQ4 スパースなサンプリングと高次元特徴の下で、グラフオンに基づく推定を用いた協調フィルタリングを厳密に正当化できるか？
• RQ5 従来の研究と比較して、一貫性のあるグラフオン推定に必要なサンプリング要件は、理論的にどの程度改善されるか？

主な発見

• 本論文は、平均次数が発散する条件下ですべてのスパースなネットワークにおいて、グラフオンの一致推定が可能であることを確立した。これは $ L^2 $-有界なグラフオンに対しても成立する。
• $ d $次元の潜在特徴を持つネットワークでは、サンプリング密度が $ p = \omega(d^2 n^{-1}) $ を満たす限り、推定されたグラフオンの平均二乗誤差はゼロに収束する。これはChatterjeeの境界 $ \omega(n^{-2/(d+2)}) $ よりも著しく改善されたものである。
• 拡張近傍法により、直接的な共通近傍が存在しない状況下でも、反復的近傍拡張によって共通接続を同定でき、スパースなネットワークにおける効果的な協調フィルタリングが可能になる。
• グラフオンに基づく推定は、Netflix や Amazon のような二部グラフネットワークにおいても、一貫性のあるネットワーク補完を達成し、スパースなデータから正確なリンク予測を可能にする。
• この枠組みはエッジ差分プライバシーをサポートしており、プライバシーを保ちながらも統計的一致性を維持するグラフオン推定が可能である。
• 理論的結果により、密度的グラフでは距離収束、部分グラフ収束、およびグローバル収束の概念が同値であることが確認され、適切な条件下でスパースなグラフに対しても拡張可能である。