[論文レビュー] Inferring Graphs from Cascades: A Sparse Recovery Framework

Jean Pouget-Abadie, Thibaut Horel|arXiv (Cornell University)|May 21, 2015

Complex Network Analysis Techniques参考文献 22被引用数 19

ひとこと要約

本稿では、$O(s\log m)$の測定値を用いて、高確率でエッジを回復できるスパース回復フレームワークを提案する。ここで$s$は最大次数、$m$はノード数である。近似的なスパarsityに対してロバストであり、$\Omega(s\log\frac{m}{s})$のほぼタイトな下界を確立する。

ABSTRACT

In the Network Inference problem, one seeks to recover the edges of an unknown graph from the observations of cascades propagating over this graph. In this paper, we approach this problem from the sparse recovery perspective. We introduce a general model of cascades, including the voter model and the independent cascade model, for which we provide the first algorithm which recovers the graph's edges with high probability and $O(s\log m)$ measurements where $s$ is the maximum degree of the graph and $m$ is the number of nodes. Furthermore, we show that our algorithm also recovers the edge weights (the parameters of the diffusion process) and is robust in the context of approximate sparsity. Finally we prove an almost matching lower bound of $\Omega(s\log\frac{m}{s})$ and validate our approach empirically on synthetic graphs.

研究の動機と目的

• スパース回復プロセスとしてのカスケードをモデル化することで、未知のグラフ構造を再構築するネットワーク推定問題に取り組む。
• 最小限のカスケード観測数を用いて、高確率でグラフのエッジを回復するアルゴリズムを開発する。
• グラフ構造に加えてエッジの重み（拡散パラメータ）を回復するフレームワークを拡張する。
• 真のグラフが正確にスパースでないがほぼスパースであるような状況においても、回復のロバスト性を確保する。
• 理論的限界を、ほぼ一致する下界を通じて確立する。

提案手法

• ボルダー・モデルとインディペンデント・カスケード・モデルの両方を特別な場合として含む一般化されたカスケードモデルを定式化する。
• カスケード伝搬プロセスを線形測定システムとしてモデル化し、スパース回復技術の適用を可能にする。
• スパース回復ソルバー（例：$\ell_1$-最小化）を用いて、カスケード観測からグラフの隣接行列を再構築する。
• エッジの十分な励起を保証する測定設計戦略を導入し、$O(s\log m)$サンプルで信頼性の高い回復を可能にする。
• エッジの重みを扱うために、連続値をとる拡散パラメータを回復可能なスパース回復フレームワークに拡張する。
• 正確なスパarsityと近似的なスパarsityの両仮定下での回復精度に関する理論的保証を証明する。

実験結果

リサーチクエスチョン

• RQ1 カスケード観測をどのようにスパース回復問題としてモデル化することで、背後にあるグラフ構造を推定できるか？
• RQ2 高確率でグラフを回復するための最小のカスケード測定数は何か？
• RQ3 提案されたフレームワークは、グラフ構造に加えてエッジの重み（拡散パラメータ）を回復できるか？
• RQ4 真のグラフがほぼスパースであるが正確にはスパースでない場合に、回復アルゴリズムはどの程度ロバストか？
• RQ5 信頼性のあるグラフ推定に必要な測定数の理論的下界は何か？

主な発見

• 提案されたアルゴリズムは、$s$（最大次数）と$m$（ノード数）を用いて、$O(s\log m)$のカスケード観測数で、高確率でグラフのエッジを回復する。
• フレームワークは、グラフ構造に加えてエッジの重み（拡散パラメータ）を効果的に回復でき、その応用範囲を拡張する。
• 近似的なスパarsityに対しても回復アルゴリズムはロバストであり、真のグラフが正確にスパースでない場合でも高い回復精度を維持する。
• 必要な測定数に対する下界として$\Omega(s\log\frac{m}{s})$が証明され、提案手法のほぼ最適性が示された。
• 合成グラフ上の実験的検証により、さまざまなネットワーク条件下でも本手法の有効性とスケーラビリティが確認された。