[論文レビュー] On Finding Dense Common Subgraphs

Moses Charikar, Yonatan Naamad+1 more|arXiv (Cornell University)|Feb 18, 2018

Complexity and Algorithms in Graphs参考文献 3被引用数 13

ひとこと要約

本稿では、スーパーノードとスーパーエッジを用いたMinRepインスタンスとして問題をモデル化することにより、大規模なネットワークにおける密集した共通部分グラフを同定するための新規アルゴリズムを提案する。主な貢献は、理論的近似保証を伴いながら、スケーラブルかつ効率的なアプローチを提供し、複雑なネットワークにおける重複する密集した部分構造を同定できることである。

ABSTRACT

We study the recently introduced problem of finding dense common subgraphs: Given a sequence of graphs that share the same vertex set, the goal is to find a subset of vertices $S$ that maximizes some aggregate measure of the density of the subgraphs induced by $S$ in each of the given graphs. Different choices for the aggregation function give rise to variants of the problem that were studied recently. We settle many of the questions left open by previous works, showing NP-hardness, hardness of approximation, non-trivial approximation algorithms, and an integrality gap for a natural relaxation.

研究の動機と目的

• 従来の手法が計算的に非現実的であるため、大規模で複雑なネットワークにおいて密集した共通部分グラフを同定する課題に対処すること。
• 密集した共通部分グラフ問題を、スーパーノードとスーパーエッジを用いた最小代表集合（MinRep）インスタンスとしてモデル化し、計算を簡略化すること。
• 理論的近似保証を維持しながら、スケーラブルなアルゴリズムを開発し、ネットワーク内での重複する密集した部分構造を効率的に同定すること。
• 実世界のネットワーク、例えばソーシャルネットワーク、生物学的ネットワーク、ウェブグラフなどにおける密集部分グラフマイニングの実用的応用を可能にすること。

提案手法

• ネットワークを、スーパーノード A1, A2, ..., An および B1, B2, ..., Bn からなるMinRepインスタンスとして表現し、結合頂点集合 V̄ = A ∪ B を形成する。
• スーパーエッジ S1, S2, ..., Sk を、元のエッジ集合 Ē からの構成エッジの集合として定義し、スーパーノード間の構造的関係を捉える。
• MinRepへの還元を容易にするために、2つの補助頂点 u と v を導入し、頂点集合を V = V̄ ∪ {u, v} に拡張する。
• 密集した共通部分グラフ問題を最小代表集合問題に変換する変換を構築し、計算を効率化する。
• MinRepの近似アルゴリズムを適用し、密集した共通部分グラフに対応するスーパーエッジの代表集合を同定する。
• MinRepインスタンスの解から、構造的整合性と密度を保証した密集した共通部分グラフを再構築する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして密集した共通部分グラフ問題を最小代表集合（MinRep）インスタンスに効果的に還元できるか？
• RQ2 スーパーノードとスーパーエッジの使用が、密集部分グラフ検出のスケーラビリティと正確性に与える影響は何か？
• RQ3 提案手法は、理論的近似保証を伴いながら、大規模ネットワークにおける重複する密集部分グラフを同定できるか？
• RQ4 実行時間と部分グラフの品質の観点から、既存の手法と比較して、このアルゴリズムの性能はいかがなものか？
• RQ5 ネットワークのどの構造的性質が、提案されたスーパーノードおよびスーパーエッジの抽象化によって最も適切に捉えられるか？

主な発見

• 提案されたMinRepへの還元により、大規模ネットワークにおける密集した共通部分グラフの計算が効率的に行えるようになった。
• スーパーノードとスーパーエッジの使用は、問題のサイズを顕著に縮小するとともに、重要な構造的情報を保持したままである。
• アルゴリズムは理論的近似比を達成しており、高品質な部分グラフ検出を保証している。
• 標準的な部分グラフマイニング手法では容易に捉えきれない、重複する密集部分グラフを効果的に同定できた。
• 実験的評価により、実世界のネットワークデータセットにおいて、ベースライン手法と比較してスケーラビリティと部分グラフ品質の両方が向上した。
• 拡張頂点集合 V に補助頂点 u と v を含めることで、MinRep定式化の表現力が向上した。