[論文レビュー] PageRank's behavior under degree-degree correlations

Mariana Olvera‐Cravioto|arXiv (Cornell University)|Sep 21, 2019

Random Matrices and Applications参考文献 38被引用数 6

ひとこと要約

本稿は、次数-次数相関を有する大規模な有向ネットワークにおけるPageRankの尾挙動を分析し、Kantorovich-Rubinstein距離において、分枝分布的固定点方程式の解のi.i.d.コピーの確率的和として特徴づけられる極限分布への収束を証明する。主な貢献は、一般のインデグリー・アウトデグリー依存構造下でのPageRankの漸近的尾挙動の完全な特徴付けであり、相関が高ランク頂点の出現確率を変化させ、高インデグリーから高ランクのインバウンド・ネイバーへの支配的メカニズムのシフトを引き起こすことを示している。

ABSTRACT

The focus of this work is the asymptotic analysis of the tail distribution of Google's PageRank algorithm on large scale-free directed networks. In particular, the main theorem provides the convergence, in the Kantorovich-Rubinstein metric, of the rank of a randomly chosen vertex in graphs generated via either a directed configuration model or an inhomogeneous random digraph. The theorem fully characterizes the limiting distribution by expressing it as a random sum of i.i.d.~copies of the attracting endogenous solution to a branching distributional fixed-point equation. In addition, we provide the asymptotic tail behavior of the limit and use it to explain the effect that in-degree/out-degree correlations in the underlying graph can have on the qualitative performance of PageRank.

研究の動機と目的

• ランダムグラフモデルにおけるインデグリーとアウトデグリーの漸近的独立性を仮定しないように、PageRankの尾挙動に関する先行研究を拡張すること。
• インデグリー、アウトデグリー、パーソナライゼーション要因、減衰係数の間の一般な依存構造下での極限PageRank分布の完全な特徴付けを提供すること。
• インデグリー／アウトデグリー相関がPageRankの定性的な性能、特にランク分布の尾挙動に与える影響を分析すること。
• 一般な依存性の下で、有向配置モデル（DCM）および非定型ランダム有向グラフ（IRD）モデルにおけるKantorovich-Rubinstein距離での収束を確立すること。

提案手法

• 局所的弱収束フレームワークを用い、有限グラフ上のPageRank分布と分枝分布的固定点方程式の解を結びつける。
• 極限PageRankを、形式 $\mathcal{R}^{*} \stackrel{\mathcal{D}}{=} \sum_{i=1}^{\mathcal{N}} \mathcal{C}_i \mathcal{R}_i + \mathcal{Q}$ の固定点方程式の吸引的内生的解のi.i.d.コピーの確率的和として表現する。ここで $\mathcal{N}$, $\mathcal{C}_i$, および $\mathcal{Q}$ は互いに依存する。
• 大偏差解析とポアソン尾部バウンドを用いて、極限PageRank分布の漸近的尾挙動を研究する。
• ポッターの定理と指数モーメントバウンドを用い、インデグリーおよびアウトデグリー変数を含む重み付き和の尾確率を制御する。
• 和集合の不等式とポアソン確率変数の集中不等式を用いて、積 $\mathcal{C}_i \mathcal{R}_i$ の尾部を分解・バウンドする。
• 一般な依存性の下で $P(\mathcal{CN} > x) = o(P(W^{-} > x))$ が $x \to \infty$ のとき成り立つことを示し、インデグリー単体の尾部よりも積の尾部が軽いことを示している。

実験結果

リサーチクエスチョン

• RQ1 インデグリー／アウトデグリー相関がスケールフリー・ネットワークにおけるPageRankの尾挙動に与える影響は何か？
• RQ2 インデグリー、アウトデグリー、およびパーソナライゼーション値の間で一般な依存性が成り立つとき、PageRank分布が極限確率変数に収束する条件は何か？
• RQ3 次数-次数相関が存在する場合、極限PageRank分布の正確な漸近的尾挙動は何か？
• RQ4 次数構造に相関がある場合、高ランク値を生じさせるメカニズム（高インデグリー対高ランクのインバウンド・ネイバー）はどのように変化するか？
• RQ5 一般な依存性の下でも、極限PageRank分布は固定点解のi.i.d.コピーの確率的和として表現可能か？また、独立の場合とはどのように異なるか？

主な発見

• インデグリー、アウトデグリー、パーソナライゼーション値の間の一般な依存性の下で、有向配置モデル（DCM）および非定型ランダム有向グラフ（IRD）モデルの両方において、極限PageRank分布がKantorovich-Rubinstein距離で収束することを示した。
• 次数-次数相関が存在する場合でさえも、極限分布が分枝分布的固定点方程式の吸引的内生的解のi.i.d.コピーの確率的和として特徴づけられることを示した。
• 極限PageRankの漸近的尾挙動は、$x \to \infty$ のとき $P(\mathcal{R}^* > x) \sim P(\mathcal{N} > x / E[\mathcal{C}_1 \mathcal{R}_1]) + P(\max_i \mathcal{C}_i \mathcal{R}_i > x)$ を満たし、高ランクが高インデグリーまたは高ランクのネイバーの両方によって駆動されることを示している。
• 本稿では $x \to \infty$ のとき $P(\mathcal{CN} > x) = o(P(W^{-} > x))$ が成り立つことを示し、一般な依存性の下で重みとランクの積の尾部がインデグリー単体の尾部よりも軽いことを示している。
• 解析により、次数-次数相関が高ランク値の支配的メカニズムを変化させることを明らかにした。相関が強い場合、高ランクのインバウンド・ネイバーからの寄与がインデグリー寄与に対して相対的に重要になる。
• インデグリー／アウトデグリー独立性の仮定を排除することで、実世界のネットワークにおけるPageRank挙動のより現実的なモデルを提供した点で、先行研究を一般化した。