[論文レビュー] Seeded graph matching for large stochastic block model graphs

Vince Lyzinski, Daniel L. Sussman+3 more|arXiv (Cornell University)|Oct 4, 2013

Graph Theory and Algorithms参考文献 33被引用数 7

ひとこと要約

本稿では、スペクトル埋め込みと最先端のシード付きマッチングを組み合わせた、大規模なストキャスティックブロックモデルグラフを効率的に整合させる、新しいシード付きグラフマッチング手法LSGMアルゴリズムを提案する。計算量はO(dn²)であり、わずかなシード数で弱い相関条件のもとでも正しい整合が保証され、大規模グラフにおけるスケーラビリティが著しく向上する。

ABSTRACT

Graph matching is an increasingly important problem in inferential graph statistics. There are no known efficient exact graph matching algorithms, though current approximate algorithms achieve excellent performance on numerous benchmarks, with complexity O(n^3) (n the number of vertices to be matched). Herein, we present a novel approximate seeded graph matching algorithm specifically designed to match very large graphs. Our algorithm, the LSGM algorithm, combines spectral graph embedding with existing state-of-the-art seeded graph matching procedures. We prove that modestly correlated, large stochastic block model random graphs are correctly matched through the joint procedure of spectral embedding and graph matching utilizing very few seeds. We show that under very mild conditions, our algorithm has complexity O(dn^2), with potential for significantly faster speed in the sparse regime, ($d$ the embedding dimension), and demonstrate the effectiveness of LSGM in recovering the unknown alignment in simulated and real data examples.

研究の動機と目的

• 推論的グラフ統計における非常に大きなグラフ同士のマッチングを効率的に行う課題に対処すること。
• 大規模なストキャスティックブロックモデルグラフに適したスケーラブルな近似グラフマッチングアルゴリズムを開発すること。
• 計算量を低減しながらも、特にスパースな状態において高い正確性を維持するグラフ整合を実現すること。
• わずかなシード情報で、ある程度相関のあるストキャスティックブロックモデルグラフが正しくマッチング可能であることを証明すること。
• 提案手法が、シミュレーテッドおよび実世界のグラフデータの両方で有効であることを示すこと。

提案手法

• LSGMアルゴリズムは、シード付きグラフマッチングを適用する前に、スペクトルグラフ埋め込みを用いてグラフの次元を低減する。
• 埋め込み済みグラフ上で、既存の最先端のシード付きグラフマッチング手順を活用する。
• 入力グラフが弱い相関を有するストキャスティックブロックモデルに従うものと仮定する。
• マッチングプロセスをガイドするために、既知の頂点対応（シード）を少数用いる。
• 計算量はO(dn²)で抑えられ、dは埋め込み次元であり、スパースなグラフではさらに高速化が期待できる。
• 理論的解析により、わずかなシード数で正しい整合が弱い条件下でも保証可能であることが示された。

実験結果

リサーチクエスチョン

• RQ1 スペクトル埋め込みとシード付きグラフマッチングを効果的に組み合わせることで、大規模なストキャスティックブロックモデルグラフの効率的整合が可能になるか？
• RQ2 提案手法の計算量は何か？また、グラフサイズの増大に伴いスケーリングは良好か？
• RQ3 LSGMアルゴリズムが最小限のシード情報で正しい頂点整合を保証的に回復できる条件は何か？
• RQ4 大規模なシミュレーテッドおよび実世界のグラフにおいて、アルゴリズムの正確性と速度はどの程度か？
• RQ5 d ≪ n のスパースな状態でも、この手法は高い性能を維持するか？

主な発見

• LSGMアルゴリズムはO(dn²)の計算量を達成し、大規模グラフでは従来のO(n³)手法よりも顕著な高速化を実現する。
• わずかな数のシードを用いても、大規模である程度相関のあるストキャスティックブロックモデルグラフにおいて、正しい頂点整合が保証的に回復可能である。
• アルゴリズムは、シミュレーテッドおよび実データの両方で優れた性能を示し、実用的有用性を確認した。
• スパースな状態では、計算量がO(n³)よりも顕著に低減され、より高速な計算が可能になる。
• 弱い相関条件のもとで理論的保証が成立し、現実的なグラフモデルに対しても頑健である。
• スペクトル埋め込みは構造的情報を効果的に保持し、限られたシードデータでも正確なマッチングを可能にする。