[論文レビュー] PageRank in scale-free random graphs

Ningyuan Chen, Nelly Litvak+1 more|arXiv (Cornell University)|Aug 15, 2014

Stochastic processes and statistical mechanics被引用数 6

ひとこと要約

本稿では、スケールフリーな無向有向ランダムグラフ（有向配置モデルを用いてモデル化）におけるPageRankが、分岐木近似におけるルートノードのPageRankに収束することを確立している。主な貢献は、このようなネットワークにおけるPageRankスコアのパワー則的挙動が、線形確率的不動点方程式の解によって解析的に捉えられることを示したことである。これは、従来の木ベースの近似を、重い尾を持つ次数を持つ有限で現実的なグラフへと拡張したものである。

ABSTRACT

We analyze the distribution of PageRank on a directed configuration model and show that as the size of the graph grows to infinity it can be closely approximated by the PageRank of the root node of an appropriately constructed tree. This tree approximation is in turn related to the solution of a linear stochastic fixed point equation that has been thoroughly studied in the recent literature.

研究の動機と目的

• 実世界のスケールフリーなネットワークにおいて、インデグリとPageRankスコアの両方が類似した指数を持つ重い尾を持つ分布を示すという観察されたパワー則的挙動を、解析的に正当化すること。
• 確率的不動点方程式を用いたよく研究された木ベースのPageRank近似と、サイクルを含み木に似ていない現実のネットワークとの間のギャップを埋めること。
• スケールフリーなネットワークに現実的であるとされる有向配置モデル（DCM）が、分岐木におけるものと漸近的に区別できないPageRank分布をもたらすことを示すこと。
• DCMグラフ上で有限回の反復を施したPageRankアルゴリズムが真のPageRankをどれほどよく近似するかを検証し、中程度のグラフサイズに対しても木近似が正確に保たれることを示すこと。

提案手法

• 著者らは、パワー則の指数がそれぞれαおよびβである指定されたインデグリおよびアウトデグリ分布を持つ大規模で有向なランダムグラフを生成するために、有向配置モデル（DCM）を用いる。
• ランダムに選ばれたノードをルートとする分岐過程を用いて、DCM上のPageRankプロセスと結合することで、木近似（TBT）を構築する。再帰的PageRank更新をモデル化するために、確率的不動点方程式を用いる。
• PageRankの進化は次の再帰的式でモデル化される：$ \hat{R}_i^{(n,k)} = \sum_{j \to i} c \hat{R}_j^{(n,k-1)} + (1 - c) $、ここで$ c $は減衰係数であり、$ j \to i $はインコムエッジを表す。
• 度数分布にややきつい変動条件が満たされれば、グラフサイズ$ n \to \infty $の下で、DCMにおける典型ノードのPageRankが、TBTのルートPageRankに分布収束することを証明する。
• 数値シミュレーションにより、さまざまなグラフサイズ$ n $、反復回数$ k $、減衰係数$ c $の下で、DCMにおける有限反復後のPageRank、TBTにおけるPageRank、および真のPageRankの間の平均二乗誤差（MSE）を比較する。

実験結果

リサーチクエスチョン

• RQ1 無限木の仮定を越えて、スケールフリーなネットワークにおけるPageRankスコアのパワー則的挙動は、維持されるか？
• RQ2 確率的不動点方程式から導かれる木ベースの近似は、有限で現実的なグラフに近い真のPageRank分布をどれほどよく捉えているか？
• RQ3 有向配置モデルにおける有限反復PageRank近似の収束速度はどの程度か？ また、木近似と比較してどうなるか？
• RQ4 減衰係数$ c $とグラフサイズ$ n $は、スケールフリーなネットワークにおけるPageRankの木近似の正確さにどのように影響するか？

主な発見

• 大きな$ n $に対して、有向配置モデルにおける典型ノードのPageRankは、分岐木のルートPageRankに分布収束する。これは、漸近的極限における木近似の妥当性を裏付けている。
• 有限反復PageRankと真のPageRankとの間の平均二乗誤差（MSE）は、$ n $が増加するにつれて減少し、$ k_n = \lfloor \log n \rfloor $回の反復で$ n = 10^4 $のとき約$ 10^{-6} $に達する。
• 木近似は非常に正確に保たれる：$ n = 100 $に対しても、木のルートPageRankと真のDCM PageRankとの間のMSEは常に$ 10^{-3} $未満であり、$ n $が大きくなるにつれて減少する。
• 減衰係数$ c $が大きくなると、収束が遅くなり、近似誤差が増加する。木近似のMSEは$ c = 0.1 $のとき$ 3.33 \times 10^{-9} $から$ c = 0.9 $のとき$ 1.25 \times 10^{-1} $に上昇する。
• 有限反復後のDCMにおけるPageRankの経験的累積分布関数（CDF）とTBTにおけるものとは、$ n = 100 $でさえもほとんど区別できないほどに近く、近似の高品質を示している。