[논문 리뷰] Bidirectional PageRank Estimation: From Average-Case to Worst-Case

Peter Lofgren, Siddhartha Banerjee외 1명|arXiv (Cornell University)|2015. 07. 30.

Complex Network Analysis Techniques참고 문헌 22인용 수 7

한 줄 요약

이 논문은 방향성이 없는 그래프에서 최악의 경우 서브라인성 실행 시간을 달성하는 새로운 이중방향 PageRank 추정기인 Undirected-BiPPR를 소개한다. 이는 정방향 국소 푸시와 역방향 랜덤 워크를 조합하여 달성한다. 랜덤 워크의 가역성을 활용하여 평균적인 보장을 최악의 경우 보장으로 전환하며, πₛ[t] > dₜ/m일 때 ε 상대 오차 추정에 대해 O(√m/ε)의 최악의 경우 실행 시간을 제공한다.

ABSTRACT

We present a new algorithm for estimating the Personalized PageRank (PPR) between a source and target node on undirected graphs, with sublinear running-time guarantees over the worst-case choice of source and target nodes. Our work builds on a recent line of work on bidirectional estimators for PPR, which obtained sublinear running-time guarantees but in an average-case sense, for a uniformly random choice of target node. Crucially, we show how the reversibility of random walks on undirected networks can be exploited to convert average-case to worst-case guarantees. While past bidirectional methods combine forward random walks with reverse local pushes, our algorithm combines forward local pushes with reverse random walks. We also discuss how to modify our methods to estimate random-walk probabilities for any length distribution, thereby obtaining fast algorithms for estimating general graph diffusions, including the heat kernel, on undirected networks.

연구 동기 및 목표

• 방향성이 없는 그래프에서 최악의 경우 서브라인성 실행 시간을 가지는 개인화된 PageRank(PPR) 추정 알고리즘을 개발하는 것.
• 이전의 이중방향 추정기들이 평균적인 실행 시간 보장만 제공했음을 해결하는 것.
• 방향성이 없는 그래프에서 랜덤 워크의 가역성을 활용하여 평균적인 성능 보장을 최악의 경우 성능 보장으로 전환하는 것.
• 다단계 전이 확률을 통한 추정을 통해 일반적인 그래프 확산, 예를 들어 열 커널을 포함한 추정으로 프레임워크를 확장하는 것.
• 임의의 소스-타겟 쌍에 대해 유효한 이론적 실행 시간 및 정확도 경계를 제공하여, 랜덤 또는 평균적인 선택에 국한되지 않는 것.

제안 방법

• 이전의 이중방향 방법에서 사용된 방향성과는 반대로, 정방향 국소 푸시와 역방향 랜덤 워크를 조합한 새로운 추정기 Undirected-BiPPR를 제안한다.
• ℓ_max까지의 각 단계 길이에 대해 추정 및 잔여 벡터를 유지하기 위해 REVERSE-PUSH 알고리즘의 수정된 버전을 사용한다.
• 정방향 및 역방향 워크 확률 간의 관계를 유도하기 위해 pₛ^ℓ[t]dₛ = pₜ^ℓ[s]dₜ의 가역성 성질을 적용하여 이중방향 추정을 가능하게 한다.
• 잔여 값이 임계값 r_max를 초과하는 노드만 처리하는 국소 업데이트 메커니즘을 활용하여, 제한된 오차로 수렴함을 보장한다.
• 핵심 불변식을 유도한다: pₛ^ℓ[t] = qₛ^ℓ[t] + dₜ∑ₖ∑ᵥ (rₛ^k[v]/dᵥ)pₜ^ℓ−k[v]로, 이는 정방향 및 역방향 워크 기여도를 연결한다.
• 길이 분포에 의해 정의되는 임의의 그래프 확산을 추정하기 위해 프레임워크를 일반화하며, 이는 다단계 전이 확률을 추정하는 방식으로 이루어진다.

실험 결과

연구 질문

• RQ1 방향성이 없는 그래프에서 개인화된 PageRank 추정에 대해 평균적인 보장 외에도 최악의 경우 서브라인성 실행 시간을 달성할 수 있는가?
• RQ2 방향성이 없는 그래프에서 랜덤 워크의 가역성을 어떻게 공식적으로 활용하여 평균적인 성능 보장을 최악의 경우 성능 보장으로 전환할 수 있는가?
• RQ3 모든 소스-타겟 쌍에 대해 정확도와 효율성을 유지하는 이중방향 추정기를 설계할 수 있는가? 특히 일반적이거나 랜덤한 경우에 국한되지 않고 말이다.
• RQ4 이 프레임워크는 개인화된 PageRank 외에도 열 커널과 같은 일반적인 그래프 확산을 추정하는 데로 확장할 수 있는가?
• RQ5 최악의 경우 PPR 추정에 대한 이론적 하한은 무엇이며, 제안된 알고리즘의 성능와 비교해보면 어떻게 되는가?

주요 결과

• 제안된 Undirected-BiPPR 알고리즘은 πₛ[t] > dₜ/m일 때 ε 상대 오차 추정에 대해 최악의 경우 O(√m/ε)의 실행 시간을 달성한다.
• 이 알고리즘은 방향성이 없는 그래프에서 개인화된 PageRank 추정에 대해 최초로 서브라인성 최악의 경우 실행 시간 보장을 제공한다.
• 역방향 국소 푸시 대신 역방향 랜덤 워크를 사용함으로써, 랜덤 워크의 가역성을 활용하여 최악의 경우 보장을 달성할 수 있다.
• 프레임워크는 다단계 전이 확률을 추정함으로써 주어진 길이 분포를 가진 임의의 그래프 확산을 추정하는 데로 일반화될 수 있다.
• 알고리즘은 높은 확률로 정확도를 유지하며, 최악의 경우에도 실행 시간이 서브라인적으로 스케일링되며, 악성 타겟 노드에 대해서도 적용 가능하다.
• 이 방법은 평균적인 성능와 최악의 경우 이론적 한계 사이의 격차를 메우며, 최악의 경우 설정에서 이전 방법들에 비해 상당한 향상을 이룬다.