[論文レビュー] Random Graph Matching in Geometric Models: the Case of Complete Graphs

Haoyu Wang, Yihong Wu+2 more|arXiv (Cornell University)|Feb 22, 2022

Markov Chains and Monte Carlo Methods被引用数 6

ひとこと要約

本稿は幾何モデルにおけるランダムグラフマッチングを研究し、低次元空間内の相関ガウスベクトルから得られるエッジ重みを持つ完全グラフに注目する。提案手法は近似最大尤度推定器であり、ノイズレベルσがo(n⁻²/ᵈ)のとき、隠れた頂点対応を完全に回復可能であり、σがo(n⁻¹/ᵈ)のときほとんど完全な回復が達成可能である。また、d=o(log n)におけるドット積モデルおよび距離モデルにおいて、これらの閾値が情報理論的に最適であることを証明する。

ABSTRACT

This paper studies the problem of matching two complete graphs with edge weights correlated through latent geometries, extending a recent line of research on random graph matching with independent edge weights to geometric models. Specifically, given a random permutation $π^*$ on $[n]$ and $n$ iid pairs of correlated Gaussian vectors $\{X_{π^*(i)}, Y_i\}$ in $\mathbb{R}^d$ with noise parameter $σ$, the edge weights are given by $A_{ij}=κ(X_i,X_j)$ and $B_{ij}=κ(Y_i,Y_j)$ for some link function $κ$. The goal is to recover the hidden vertex correspondence $π^*$ based on the observation of $A$ and $B$. We focus on the dot-product model with $κ(x,y)=\langle x, y angle$ and Euclidean distance model with $κ(x,y)=\|x-y\|^2$, in the low-dimensional regime of $d=o(\log n)$ wherein the underlying geometric structures are most evident. We derive an approximate maximum likelihood estimator, which provably achieves, with high probability, perfect recovery of $π^*$ when $σ=o(n^{-2/d})$ and almost perfect recovery with a vanishing fraction of errors when $σ=o(n^{-1/d})$. Furthermore, these conditions are shown to be information-theoretically optimal even when the latent coordinates $\{X_i\}$ and $\{Y_i\}$ are observed, complementing the recent results of [DCK19] and [KNW22] in geometric models of the planted bipartite matching problem. As a side discovery, we show that the celebrated spectral algorithm of [Ume88] emerges as a further approximation to the maximum likelihood in the geometric model.

研究の動機と目的

• 独立エッジモデルからのランダムグラフマッチングを、潜在的な空間的構造を有する幾何モデルへと拡張すること。
• 相関のある幾何的グラフにおける隠れた頂点対応を回復するための情報理論的限界を分析すること。
• 低次元幾何的設定（d=o(log n)）における完全回復およびほぼ完全回復のタイトな閾値を確立すること。
• スペクトルアルゴリズム [Ume88] が、この幾何的フレームワークにおいて最大尤度の自然な近似として導かれることが示されること。

提案手法

• 2つの完全グラフが、ランダムな置換とi.i.d.ノイズを伴う潜在ガウスベクトルから生成される相関幾何モデルを定式化する。
• 2つの主要なモデルを検討する：ドット積モデル（A_ij = ⟨X_i,X_j⟩）および二乗距離モデル（A_ij = ||X_i−X_j||²）。
• 観測されたエッジ重みに基づいて、隠れた置換π*の近似最大尤度推定器（MLE）を導出する。
• 2次モーメント法とPaley-Zygmund不等式を用いて、誤り確率の下界を評価し、回復閾値を導出する。
• モーメント生成関数の分析と行列集中不等式を用いて、代替置換における尤度比を評価する。
• 有界な共分散行列を伴う非等方的ガウスモデルへと結果を拡張し、回復閾値が変化しないことを示す。

実験結果

リサーチクエスチョン

• RQ1 相関のある幾何的ランダムグラフにおける隠れた頂点対応の完全回復の情報理論的限界は何か？
• RQ2 低次元領域において、グラフマッチングの性能は次元dとノイズレベルσにどのように依存するか？
• RQ3 スペクトルアルゴリズム [Ume88] は、幾何的グラフマッチングにおける最大尤度の自然な近似として解釈可能か？
• RQ4 潜在座標が非等方的（すなわち、単位行列でない共分散を有する）である場合、回復閾値はi.i.d.標準正規分布の場合とどのように異なるか？
• RQ5 ノイズレベルσと次元dの間の最適なトレードオフは何か？完全回復またはほぼ完全回復を達成するための条件は？

主な発見

• 提案された近似MLEは、ドット積モデルおよび距離モデルにおいて、σ=o(n⁻²/ᵈ)のとき、高確率で隠れた置換π*を完全に回復可能である。
• ほとんど完全な回復（誤差の割合が消える）のための閾値はσ=o(n⁻¹/ᵈ)まで拡張可能であり、これが情報理論的に最適であることが示された。
• 潜在座標X_iとY_iが観測可能であっても、回復閾値がタイトであることが確認され、幾何的設定における最適性が裏付けられた。
• 世界的に有名なスペクトルアルゴリズム [Ume88] が、この幾何的モデルにおける最大尤度推定器のさらなる近似として自然に導かれる。
• 共分散行列Σ≻cIの非等方的ガウスモデルに対しても、同じ回復閾値がスケーリングされたノイズパラメータのもとで成立する。
• より鋭いモーメント推定を用いた2次モーメント解析により、先行研究（[DCK19]および[KNW22]）よりもタイトなバインディングが得られた。