[論文レビュー] Testing Cluster Structure of Graphs

Artur Czumaj, Pan Peng+1 more|arXiv (Cornell University)|Apr 13, 2015

Complexity and Algorithms in Graphs参考文献 42被引用数 5

ひとこと要約

本稿では、有界次数グラフにおけるクラスタ構造のサブリニア時間プロパティテストを提示する。内クラスタ品質と外クラスタ品質の両方に導出率に基づく定義を用いる。この手法は、$\widetilde{O}(\sqrt{n} \cdot \textrm{poly}(\phi, k, 1/\varepsilon))$ のクエリ複雑度で、$(k,\phi)$-クラスタ可能なグラフと、$(k,\phi^*)$-クラスタビリティから $\varepsilon$-遠いグラフを区別する。ここで $\phi^* = \Omega_{d,k}(\phi^2 \varepsilon^4 / \log n)$ である。この手法はランダムウォーク分布の比較と高階のチーホーファー不等式を活用する。

ABSTRACT

We study the problem of recognizing the cluster structure of a graph in the framework of property testing in the bounded degree model. Given a parameter $\varepsilon$, a $d$-bounded degree graph is defined to be $(k, ϕ)$-clusterable, if it can be partitioned into no more than $k$ parts, such that the (inner) conductance of the induced subgraph on each part is at least $ϕ$ and the (outer) conductance of each part is at most $c_{d,k}\varepsilon^4ϕ^2$, where $c_{d,k}$ depends only on $d,k$. Our main result is a sublinear algorithm with the running time $\widetilde{O}(\sqrt{n}\cdot\mathrm{poly}(ϕ,k,1/\varepsilon))$ that takes as input a graph with maximum degree bounded by $d$, parameters $k$, $ϕ$, $\varepsilon$, and with probability at least $\frac23$, accepts the graph if it is $(k,ϕ)$-clusterable and rejects the graph if it is $\varepsilon$-far from $(k, ϕ^*)$-clusterable for $ϕ^* = c'_{d,k}\frac{ϕ^2 \varepsilon^4}{\log n}$, where $c'_{d,k}$ depends only on $d,k$. By the lower bound of $Ω(\sqrt{n})$ on the number of queries needed for testing graph expansion, which corresponds to $k=1$ in our problem, our algorithm is asymptotically optimal up to polylogarithmic factors.

研究の動機と目的

• 有界次数グラフモデルにおいて、$k$-クラスタ可能なグラフと、$k$-クラスタビリティから $\varepsilon$-遠いグラフを区別するプロパティテストの開発。
• 内クラスタと外クラスタの両方の導出率を用いて、安定したクラスタビリティの概念を定義し、密なクラスタと弱いクラスタ間接続を保証する。
• 特に $\widetilde{O}(\sqrt{n} \cdot \textrm{poly}(\phi,k,1/\varepsilon))$ のサブリニアクエリ複雑度を達成し、グラフ拡張テストにおける既知の下界と一致する。
• 線形時間アルゴリズムが非効率な大規模ネットワークにおけるクラスタ構造のテストのためのフレームワークを提供する。
• クラスタビリティから $\varepsilon$-遠いグラフの構造的性質を調査し、そのようなグラフの特徴付けを洗練することを目的とする。

提案手法

• アルゴリズムは、有界次数グラフにおける隣接頂点へのオラクルクエリを用い、局所的グラフ構造の効率的探索を可能にする。
• サンプリングされた頂点から出発するランダムウォーク分布のペアワイズ類似度をテストすることで、グローバルなクラスタ構造を推測する。
• スペクトル的性質とクラスタ品質の関係を、特に導出率の文脈で、高階のチーホーファー不等式を適用する。
• 再帰的リファインメントプロセスを用いて頂点をクラスタに分割し、内導出率を高く、外導出率を低く保つ。
• 解析は、分割リファインメント中に除去される辺の数を制限する補題に依存し、分割に失敗した場合にグラフが依然として $\varepsilon$-遠い $k$-クラスタビリティを保つことを保証する。
• 新たな特徴付けとして、$\phi^*$ を用いて内導出率と外導出率を評価し、$\phi^* = \Omega_{d,k}(\phi^2 \varepsilon^4 / \log n)$ を導出する。

実験結果

リサーチクエスチョン

• RQ1 サブリニア時間で、$(k,\phi)$-クラスタ可能なグラフと、$(k,\phi^*)$-クラスタビリティから $\varepsilon$-遠いグラフを区別できるプロパティテストは存在するか？
• RQ2 有界次数グラフにおける $k$-クラスタビリティのテストに最適なクエリ複雑度は何か？ そして、その複雑度は漸近的に達成可能か？
• RQ3 現実のクラスタ構造を反映するために、内導出率と外導出率の両方を用いた、導出率に基づくクラスタ品質の形式的定式化はどのように可能か？
• RQ4 現在のテストの保証における $\phi$ と $\phi^*$ のギャップは、ほぼ最適か？ もしくは、新しい技術によって改善可能か？
• RQ5 クラスタビリティから $\varepsilon$-遠いグラフの構造的特徴付けは、導出率の境界における $\varepsilon$-依存性を排除するために洗練可能か？

主な発見

• 提案されたテストは $\widetilde{O}(\sqrt{n} \cdot \textrm{poly}(\phi, k, 1/\varepsilon))$ 時間で実行され、確率 $2/3$ 以上で $(k,\phi)$-クラスタ可能なグラフを正しく受容する。
• テストは、$(k,\phi^*)$-クラスタビリティから $\varepsilon$-遠いグラフを拒否する。ここで $\phi^* = \Omega_{d,k}(\phi^2 \varepsilon^4 / \log n)$ であり、微小な摂動に対しても頑健である。
• この手法は、$k=1$ の場合にグラフ拡張テストの $\Omega(\sqrt{n})$ 下界と一致するため、多項式対数因子を除いて漸近的に最適である。
• 高階のチーホーファー不等式を活用することで、スペクトル的性質とクラスタ構造の関係を接続し、クラスタ品質の新たな解析を可能にする。
• 解析により、$k$-クラスタビリティから $\varepsilon$-遠い任意のグラフは、内導出率が低いサイズ $\Omega(\varepsilon^2 |V| / k^2)$ の部分集合を含むことが示され、これにより効果的な検出が可能になる。
• 現在の解析における $\log n$ の依存性は、$\phi^*$ の境界でタイトであり、これを改善するには根本的に新しい技術が必要である。