[論文レビュー] Spectral Alignment of Networks

Soheil Feizi, Gerald Quon+3 more|arXiv (Cornell University)|Feb 18, 2015

Bioinformatics and Genomic Networks参考文献 107被引用数 14

ひとこと要約

この論文は、一致する相互作用と不一致する相互作用を符号化したアライメント行列のペロン＝フロベニウス固有ベクトルを計算することで、二次割当問題の固有ベクトル緩和を活用する、EigenAlignと呼ばれる新しいネットワークアライメント手法を提案する。技術的条件のもとで、エレドシュ＝レニー確率的グラフにおいて漸近的に正確なアライメントを達成し、一致するエッジと不一致するエッジの両方を同時に最適化することで、低類似度およびモジュラー構造のネットワークを効果的にアライメントする。

ABSTRACT

Network alignment refers to the problem of finding a bijective mapping across vertices of two or more graphs to maximize the number of overlapping edges and/or to minimize the num-ber of mismatched interactions across networks. This paper introduces a network alignment algorithm inspired by eigenvector analysis which creates a simple relaxation for the underlying quadratic assignment problem. Our method relaxes binary assignment constraints along the leading eigenvector of an alignment matrix which captures the structure of matched and mis-matched interactions across networks. Our proposed algorithm denoted by EigeAlign has two steps. First, it computes the Perron-Frobenius eigenvector of the alignment matrix. Second, it uses this eigenvector in a linear optimization framework of maximum weight bipartite matching to infer bijective mappings across vertices of two graphs. Unlike existing network alignment methods, EigenAlign considers both matched and mismatched interactions in its optimization and therefore, it is effective in aligning networks even with low similarity. We show that, when certain technical conditions hold, the relaxation given by EigenAlign is asymptotically exact over Erdös-Rényi graphs with high probability. Moreover, for modular network structures, we

研究の動機と目的

• 低 pairwise 頂点類似度を示す生物学的・複雑ネットワークのアライメントという課題に取り組む。
• 既存手法が一致するエッジにのみ注目するか、ヒューリスティックな緩和を用いるという限界を克服する。
• ネットワークアライメントのための原理的でスペクトル的な二次割当問題の緩和を開発する。
• エレドシュ＝レニーおよびモジュラー構造のネットワークなど、特定のグラフモデル下での緩和の正確性について理論的裏付けを提供する。
• 両方の一致エッジと不一致エッジの情報を最適化に統合することで、疎またはノイズの多い相互作用を持つネットワークの効果的アライメントを可能にする。

提案手法

• 2つのネットワーク間の頂点ペア間の構造的類似度を符号化したアライメント行列を構築する。これには、一致するエッジと不一致するエッジの両方の相互作用が含まれる。
• アライメント行列の最大固有ベクトル（ペロン＝フロベニウス固有ベクトル）を計算することで、二値割り当て制約を連続変数に緩和する。
• 得られた固有ベクトルを、最大重み二部マッチングによる双射頂点マッピングを回復するための線形最適化フレームワークの入力として使用する。
• アライメント問題を、効率的な計算と理論的分析を可能にする二次割当問題のスペクトル的緩和として定式化する。
• アライメント行列に正の（一致）および負の（不一致）相互作用信号を統合することで、類似度が低い状況でもロバスト性を向上させる。
• 2段階で手法を適用する：まず固有ベクトルによるスペクトル的緩和を行い、次に二部マッチングによる離散的割り当てを実行する。

実験結果

リサーチクエスチョン

• RQ1 ペロン＝フロベニウス固有ベクトルに基づくスペクトル的緩和は、エレドシュ＝レニー・グラフにおいて漸近的に正確なネットワークアライメントを達成できるか？
• RQ2 一致する相互作用と不一致する相互作用を同時にモデル化することで、低類似度ネットワークにおけるアライメント精度がどのように向上するか？
• RQ3 特定のランダムグラフモデル下での、提案手法の緩和の理論的性能保証は何か？
• RQ4 モジュラー構造のネットワーク構造において、EigenAlignは既存のアライメント手法と比較してどのように性能を発揮するか？
• RQ5 固有ベクトルに基づく緩和は、離散的ネットワークアライメントのための安定的かつ正確な初期化として機能できるか？

主な発見

• 特定のエッジ密度および類似度に関する技術的条件が満たされれば、エレドシュ＝レニー・グラフにおいて、EigenAlignは高確率で漸近的に正確なアライメントを達成する。
• この手法は、アライメント行列に一致するエッジと不一致するエッジの両方の信号を統合することで、頂点類似度が低いネットワークを効果的にアライメントする。
• 最大固有ベクトルによるスペクトル的緩和は、離散的二次割当問題に対する強力な連続的近似を提供する。
• 実験的結果から、EigenAlignは特に疎またはノイズの多い相互作用を持つ状況において、既存手法を上回る性能を示す。
• 固有ベクトルから得たスコアを用いた最大重み二部マッチングにより、高品質な離散的マッピングが得られ、高いアライメント精度を達成する。
• 理論的分析により、指定された条件下でランダムグラフにおいてこの緩和が極限において正確であることが確認され、本手法の設計選択の妥当性が裏付けられる。