[論文レビュー] Personalized PageRank Solution Paths.

Kyle Kloster, David F. Gleich|arXiv (Cornell University)|Mar 1, 2015

Complex Network Analysis Techniques参考文献 37被引用数 4

ひとこと要約

この論文では、正則化パラメータであるεによって制御されるさまざまなスパarsityレベルにおいて、パーソナライズドPageRankの解パスを計算する2つの効率的なアルゴリズムを提案する。最初の手法は、高速な実行時間を確保するために局所性を維持しつつ、全パスを計算する。2番目の手法は、対数スケールで間隔をあけたε値のグリッド上で近似を実行するためにバケットソートを用い、両手法とも大規模ネットワーク上で高い効率性と局所性を示す。

ABSTRACT

Personalized PageRank vectors used for many community detection and graph diffusion problems have a subtle dependence on a parameter epsilon that controls their accuracy. This parameter governs the sparsity of the solution and can be interpreted as a regularization parameter. We study algorithms to estimate the solution path as a function of the sparsity and propose two methods for this task. The first computes a full solution path and we prove it remains localized in the graph for fast runtimes. Using this method, we propose a PageRank solution path plot to diagnose new aspects of the behavior of personalized PageRank. The second method is a faster approximation to the solution path on a grid of logarithmically-spaced values that uses an interesting application of bucket sort to make the process efficient. We demonstrate that both of these algorithms are fast and local on large networks.

研究の動機と目的

• スパarsityパラメータεの関数としてパーソナライズドPageRankベクトルの挙動を分析すること。
• 複数のε値にわたる解パスを高速かつ局所的に計算するアルゴリズムを開発すること。
• 解パスの可視化を通じてPageRankの挙動を理解するための診断ツールを提供すること。
• コミュニティ検出や拡散プロセスを含む大規模グラフ応用における計算効率の向上すること。

提案手法

• 最初の手法は、すべてのε値にわたる完全な解パスを計算しつつ、局所性を保持することで高速な実行時間を確保する。
• スパarsityとグラフの局所性を維持するための新規なアプローチを用い、大規模ネットワーク上での効率的な計算を可能にする。
• 2番目の手法は、ε値の対数スケールで間隔をあけたグリッド上で解パスの近似を実行することで、速度を向上させる。
• 計算のオーバーヘッドを低減するために、バケットソートを用いてε値にわたる解を効率的に整理・計算する。
• 両手法とも局所的であるように設計されており、計算を関連するグラフ領域に集中させることでスケーラビリティを向上させる。
• 解パスはプロットとして可視化され、パーソナライズドPageRankの挙動に関する構造的性質の診断に役立つ。

実験結果

リサーチクエスチョン

• RQ1 スパarsityパラメータεの関数として、パーソナライズドPageRankの解パスはどのように振る舞うか？
• RQ2 グラフにおける局所性を維持しつつ、全解パスを効率的に計算できるか？
• RQ3 ε値の対数グリッド上で解パスを近似する際の計算コストはどの程度か？
• RQ4 バケットソートをどのように効果的に応用して、パーソナライズドPageRankのパス計算を高速化できるか？
• RQ5 解パスの可視化から、PageRankの挙動に関するどのようなインサイトが得られるか？

主な発見

• 全解パスの計算は、さまざまなε値に対してもグラフ内で局所的であるため、高速な実行時間が保証される。
• 局所的な性質のおかげで、提案されたアルゴリズムは大規模ネットワーク上でも高い効率性とスケーラビリティを達成している。
• 解パスのプロットは、パーソナライズドPageRankベクトルの挙動に関する新たな診断的インサイトを明らかにする。
• バケットソートを用いた近似手法は、対数スケールで間隔をあけたε値の上での計算を著しく高速化する。
• 両手法とも実際の応用において優れたパフォーマンスを示しており、大規模グラフ上での実行時間とメモリ使用量が良好にスケーリングする。