[論文レビュー] Optimal graphon estimation in cut distance

Olga Klopp, Nicolas Verzélen|arXiv (Cornell University)|Mar 15, 2017

Graph theory and applications参考文献 28被引用数 3

ひとこと要約

本稿は、カット距離尺度下でのグラフンおよび接続確率行列の最小最大推定レートを確立し、その結果、生の隣接行列がこの尺度に対してすでに最小最大最適であることを示している—すなわち、さらなる処理によって収束レートを向上させることはできない。驚くべきことに、これは$L_2$尺度とは対照的であり、$L_2$ではより洗練された推定器がより良いレートを達成できる。

ABSTRACT

Consider the twin problems of estimating the connection probability matrix of an inhomogeneous random graph and the graphon of a W-random graph. We establish the minimax estimation rates with respect to the cut metric for classes of block constant matrices and step function graphons. Surprisingly, our results imply that, from the minimax point of view, the raw data, that is, the adjacency matrix of the observed graph, is already optimal and more involved procedures cannot improve the convergence rates for this metric. This phenomenon contrasts with optimal rates of convergence with respect to other classical distances for graphons such as the l 1 or l 2 metrics.

研究の動機と目的

• カット距離尺度下でのグラフンおよび接続確率行列の最小最大推定レートを特定すること。
• カット距離尺度下で、より複雑な推定手順が生の隣接行列を上回る収束レートを達成できるかどうかを調査すること。
• スパースおよびスパースでない両状態下での、ブロック定数行列およびステップ関数グラフンの推定を分析すること。
• 弱い同型グラフンの商空間内での推定における同定可能性の問題を解決すること。
• グラフン推定の文脈において、カット距離と$L_1$や$L_2$といった古典的尺度とを比較すること。

提案手法

• 著者たちは、グラフン$W_0$を伴う$W$-ランダムグラフモデルを検討し、エッジ確率をlatent variable$\xi_i \sim \text{Uniform}[0,1]$を介して生成する。
• 彼らは、弱い同型グラフンの商空間$\widetilde{\mathcal{W}}^+$上での距離としてカット距離$\delta_1$を定義し、同型類の推定を可能にする。
• $k$ブロックのステップ関数グラフンに対して、推定群頻度$\widehat{\lambda}_a$に基づく再パラメータ化推定器$\widehat{f}'$を構築する。
• 測度を保つ写像$\psi$を用いてlatent variableを再割り当てし、推定グラフン$\widehat{f}'$が経験的グラフン$\widetilde{f}_{\boldsymbol{\Theta}^*}$と弱く同型となるようにする。
• 集中不等式を用いて、$\widehat{f}'$と$f'$間の期待$L_1$距離を評価し、$\mathbb{E}[|\lambda_a - \widehat{\lambda}_a|] \leq \sqrt{\lambda_a(1 - \lambda_a)/n}$を活用する。
• 推定器$\mathbb{E}_{W^*}[\|\widehat{f}' - f'\|_1] \leq C\rho_n \|W^*\|_2 \sqrt{k/n}$のための最小最大レートを$W^* \in \mathcal{W}^+_2[k]$に対して導出し、同様の境界を$\mathcal{W}^+_1[k,\mu]$に対しても得る。

実験結果

リサーチクエスチョン

• RQ1 生の隣接行列は、カット距離尺度下でのグラフン推定において最小最大最適か？
• RQ2 カット距離下での推定レートは、$L_1$や$L_2$尺度下のものと比べてどう異なるか？
• RQ3 より洗練された推定器は、カット距離リスクの観点から生の隣接行列を上回れるか？
• RQ4 ブロック定数行列およびステップ関数グラフンの推定における最小最大レートは何か？
• RQ5 スパarsityレベル$\rho_n$は、カット距離下での最小最大推定レートにどのように影響するか？

主な発見

• 生の隣接行列は、カット距離尺度下でのグラフン推定において最小最大最適なレートを達成しており、これ以上の処理によって収束レートを向上させることはできない。
• $W^* \in \mathcal{W}^+_2[k]$に対して、最小最大レートは$\rho_n \|W^*\|_2 \sqrt{k/n}$であり、いかなる推定器でもこれを上回ることはできない。
• $W^* \in \mathcal{W}^+_1[k,\mu]$に対して、最小最大レートは$\rho_n \|W^*\|_1 \sqrt{k/(\mu n)}$であり、同様に最適性が保証される。
• カット距離尺度は、$L_2$や$L_1$尺度とは根本的に異なる最小最大挙動を示し、$L_2$ではより洗練された推定器が生の隣接行列を上回る。
• 弱い同型性に起因する同定可能性の問題は、商空間$\widetilde{\mathcal{W}}^+$で推定を行うことで解決され、カット距離はこのような変換に対して不変である。
• 解析により、測度を保つ再割り当てと組み合わせた経験的群頻度$\widehat{\lambda}_a$が、最小最大最適推定器を構築するために十分であることが示された。