[論文レビュー] Reconstructing a Graph from Path Traces

Vincent Gripon, Michael Rabbat|arXiv (Cornell University)|Jan 29, 2013

Complex Network Analysis Techniques参考文献 6被引用数 8

ひとこと要約

本稿では、ノードの訪問順序が不明な無順序パストレース（各トレースは通過したノードをリストするが順序は不明）からネットワークのトポロジーを再構築する新しいアルゴリズムを提案する。ノードペアの共起頻度を活用することでエッジを推定する。すべてのトレースが正確に3ノードである条件下で、正確な再構築が可能であることを証明し、ランダムグラフにおける再構築誤り確率を導出する。

ABSTRACT

This paper considers the problem of inferring the structure of a network from indirect observations. Each observation (a "trace") is the unordered set of nodes which are activated along a path through the network. Since a trace does not convey information about the order of nodes within the path, there are many feasible orders for each trace observed, and thus the problem of inferring the network from traces is, in general, illposed. We propose and analyze an algorithm which inserts edges by ordering each trace into a path according to which pairs of nodes in the path co-occur most frequently in the observations. When all traces involve exactly 3 nodes, we derive necessary and sufficient conditions for the reconstruction algorithm to exactly recover the graph. Finally, for a family of random graphs, we present expressions for reconstruction error probabilities (false discoveries and missed detections).

研究の動機と目的

• ノードの順序が不明な間接的かつ無順序なパストレースからネットワーク構造を推定する課題に対処すること。
• トレースの順序に曖昧性がある中でも、元のグラフを再構築できる頑健なアルゴリズムを開発すること。
• 特に3ノードトレースに対して正確な再構築が可能な理論的条件を確立すること。
• ランダムグラフのクラスに対して再構築誤り率（偽陽性と見逃し）を定量化すること。

提案手法

• 共起ノードペアの頻度を最大化することで各トレースを順序付け、頻度の高い共起を直接エッジの証拠とみなす。
• すべてのトレースにわたる共起頻度が最も高いペアに基づいて、反復的にエッジを追加することで候補グラフを構築する。
• 3ノードトレースの場合、推定されたグラフが真のグラフと一致する条件を組合せ的解析で特定する。
• 共起パターンの統計的性質を活用してエッジ推定の曖昧さを低減する。
• アルゴリズムの推定ルールに従うランダムグラフの確率的モデルを用いて再構築誤り確率を導出する。
• 誤り発見率と見逃し率を評価するために、理論的にランダムグラフ族上で手法を評価する。

実験結果

リサーチクエスチョン

• RQ1 長さ3の無順序パストレースからグラフを正確に再構築できる条件は何か？
• RQ2 トレース間のノードペアの共起頻度は、元のエッジの存在とどのように関係するか？
• RQ3 この手法を用いてランダムグラフを再構築する際、偽陽性および偽陰性エッジ検出の確率は何か？
• RQ4 トレースが不完全またはノード順序に曖昧性がある場合、アルゴリズムは一貫して真のグラフ構造を回復できるか？
• RQ5 ランダムネットワークモデルにおいて、エラー率はグラフサイズとトレース密度にどのように依存するか？

主な発見

• すべてのトレースが3ノードである場合、真のグラフが特定の構造的条件を満たすときかつそのときに限り、アルゴリズムは正確な再構築を達成する。
• 3ノードトレースの場合、正確な回復のための必要十分条件が、グラフの連結性とトレースカバレッジの観点から導出されている。
• ランダムグラフのクラスに対して、再構築誤り確率（偽陽性と見逃し）の閉形式式が提供されている。
• トレース数が増えるほど誤り率が低下し、観測数の増加に伴い推定精度が向上することを示している。
• ノイズを含むトレースデータに対しても頑健であり、グラフ生成に関する確率的仮定のもとで誤り確率が有界である。
• 共起に基づくエッジ推定戦略は、特にカバレッジが限られたスパarsなグラフにおいて、単純なヒューリスティクスを上回る性能を示す。