[論文レビュー] Seedless Graph Matching via Tail of Degree Distribution for Correlated Erdos-Renyi Graphs.

Mahdi Bozorg, Saber Salehkaleybar+1 more|arXiv (Cornell University)|Jul 15, 2019

Graph Theory and Algorithms参考文献 32被引用数 4

ひとこと要約

本論文は、相関のあるErdos-Renyiグラフに対して、隣接ノードの次数分布の末尾を用いて構造的特徴を割り当てることで、事前の知識や補助データなしに正確なノードアラインメントを可能にする、種なしのグラフマッチングアルゴリズムを提案する。従来の手法と比較して優れたマッチング精度を達成しており、理論的に回復が可能なスパースな領域でも優れた性能を示す。

ABSTRACT

The network alignment (or graph matching) problem refers to recovering the node-to-node correspondence between two correlated networks. In this paper, we propose a network alignment algorithm which works without using a seed set of pre-matched node pairs or any other auxiliary information (e.g., node or edge labels) as an input. The algorithm assigns structurally innovative features to nodes based on the tail of empirical degree distribution of their neighbor nodes. Then, it matches the nodes according to these features. We evaluate the performance of proposed algorithm on both synthetic and real networks. For synthetic networks, we generate Erdos-Renyi graphs in the regions of $\Theta(\log(n)/n)$ and $\Theta(\log^{2}(n)/n)$, where a previous work theoretically showed that recovering is feasible in sparse Erdos-Renyi graphs if and only if the probability of having an edge between a pair of nodes in one of the graphs and also between the corresponding nodes in the other graph is in the order of $\Omega(\log(n)/n)$, where $n$ is the number of nodes. Experiments on both real and synthetic networks show that it outperforms previous works in terms of probability of correct matching.

研究の動機と目的

• シードノードやラベルなどの補助情報が存在しない状況におけるネットワークアラインメントの課題に取り組む。
• ネットワークの内在的構造的性質を活用してノードマッチングを実現する手法を開発する。
• 特にΘ(log(n)/n)およびΘ(log²(n)/n)の臨界的領域におけるスパースなErdos-Renyiグラフでの性能を評価する。
• 隣接ノードの次数分布から導出される構造的特徴が、外部のガイダンスなしに高精度なアラインメントを可能にすることを示す。
• 合成ネットワークおよび実世界のネットワークにおいて、既存手法を上回る種なしアラインメントのベースラインを確立する。

提案手法

• アルゴリズムは、各ノードに対してその直接の隣接ノードの経験的次数分布に基づいて特徴ベクトルを割り当てる。
• 珍しいが構造的に有用なパターンを捉えるために、隣接ノード次数分布の末尾に注目する。
• これらの導出された構造的特徴を類似度尺度を用いて比較することでノードマッチングを実行する。
• ラベル付きノードペairやエッジ/頂点属性を一切必要としない、完全に自己教師付きの方法で動作する。
• 合成Erdos-Renyiグラフおよび実世界のネットワークを対象に評価することで、耐久性とスケーラビリティを検証する。
• 理論的分析により、エッジ確率がΩ(log(n)/n)のオーダーにある場合、スパースグラフにおける回復が理論的に可能であることを支持する。

実験結果

リサーチクエスチョン

• RQ1 相関のあるErdos-Renyiグラフにおいて、シードノードや補助情報なしに高精度なグラフマッチングが達成可能か？
• RQ2 隣接ノード次数分布の末尾から導出される特徴は、マッチングに向けた構造的独自性をどれほど効果的に捉えられるか？
• RQ3 提案手法は、合成ネットワークおよび実世界のネットワーク設定において、既存の種なしアラインメント技術を上回るか？
• RQ4 スパース性のどの範囲（特にΘ(log(n)/n)およびΘ(log²(n)/n)）で本手法が最も効果的か？
• RQ5 局所的近傍次数分布からの構造的特徴は、スパースなランダムグラフにおいて信頼性のあるアラインメントを可能にするか？

主な発見

• 提案手法は、合成ネットワークおよび実世界のネットワークの両方で、従来手法よりも高い正しくマッチングされる確率を達成する。
• 理論的に回復が可能なスパース領域、特にΘ(log(n)/n)およびΘ(log²(n)/n)のエッジ確率領域で優れた性能を示す。
• ラベルなしデータでも、隣接ノード次数分布の末尾に基づく構造的特徴がノードを効果的に区別できる。
• 本手法は、複雑な構造を持つ実世界のネットワークを含む、多様なネットワークトポロジーに対して耐性を示す。
• シードセットや補助情報が存在しない状況でも性能が損なわれないため、強力な自己教師付き学習能力を示している。
• 実験的結果により、本手法はマッチング精度の観点で、従来の種なしアプローチを上回ることが確認された。