[논문 리뷰] Comparing Graph Spectra of Adjacency and Laplacian Matrices

Johannes F. Lutzeyer, Andrew T. Walden|arXiv (Cornell University)|2017. 12. 11.

Complex Network Analysis Techniques참고 문헌 20인용 수 8

한 줄 요약

이 논문은 그래프 신호 처리에서 인접 행렬과 라플라시안 행렬의 스펙트럼 성질을 비교하기 위해 스펙트럼을 정렬하기 위해 애핀 변환을 적용하고, 그래프의 차수 극값에 따라 달라지는 고유값 차이의 범위를 유도한다. 주요 기여는 인접 행렬과 랜덤워크 정규화 라플라시안 행렬 간의 고유값 차이에 대한 날카운 범위인 $ 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ 를 도출한 것으로, 이는 큰 차수 격차가 행렬 표현 간의 일관성 없는 추론을 초래할 수 있음을 보여주며, 작은 격차는 강건성을 보장함을 시사한다.

ABSTRACT

Typically, graph structures are represented by one of three different matrices: the adjacency matrix, the unnormalised and the normalised graph Laplacian matrices. The spectral (eigenvalue) properties of these different matrices are compared. For each pair, the comparison is made by applying an affine transformation to one of them, which enables comparison whilst preserving certain key properties such as normalised eigengaps. Bounds are given on the eigenvalue differences thus found, which depend on the minimum and maximum degree of the graph. The monotonicity of the bounds and the structure of the graphs are related. The bounds on a real social network graph, and on three model graphs, are illustrated and analysed. The methodology is extended to provide bounds on normalised eigengap differences which again turn out to be in terms of the graph's degree extremes. It is found that if the degree extreme difference is large, different choices of representation matrix may give rise to disparate inference drawn from graph signal processing algorithms; smaller degree extreme differences result in consistent inference, whatever the choice of representation matrix. The different inference drawn from signal processing algorithms is visualised using the spectral clustering algorithm on the three representation matrices corresponding to a model graph and a real social network graph.

연구 동기 및 목표

• 그래프 신호 처리에서 인접 행렬, 비정규화 라플라시안, 랜덤워크 정규화 라플라시안 등 다양한 그래프 행렬 표현 방식이 스펙트럼 추론에 어떻게 영향을 미치는지 조사하기 위해.
• 다양한 행렬 표현 간에 스펙트럼 분석 결과가 일관되게 나타나는 조건을 규명하기 위해.
• 그래프의 차수 이질성에 따른 스펙트럼 성질의 민감도를 정량화하기 위해.
• 정규화된 고유간격 구조를 유지하는 고유값 및 고유간격 차이의 경계를 제공하기 위해.

제안 방법

• 스펙트럼을 정렬하기 위해 애핀 변환을 적용하여 인접 행렬 $ A $ 와 랜덤워크 정규화 라플라시안 $ L_{\text{rw}} $ 의 고유값 순서와 정규화된 고유간격을 유지하기 위해.
• 웨일 부등식을 사용하여 $ c_2 $ 라고 하는 변환의 스케일링 인자에 따라 $ A $ 와 $ L_{\text{rw}} $ 간의 고유값 차이에 대한 경계를 도출하기 위해.
• 유도된 경계의 단조성과 $ c_2 $ 의 세 구간에서의 특성을 분석하여 경계를 최소화하는 최적의 $ c_2 $ 를 식별하기 위해.
• 최적의 $ c_2 $ 에 대해 최소화를 수행하여 날카운 경계 $ e(A, L_{\text{rw}}) = 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ 를 도출하고, 퇴화된 경우를 배제하기 위해.
• 스펙트럼 클러스터링 결과의 차이를 시각화하여 스펙트럼 분리의 실용적 영향을 설명하기 위해.
• 실제 사회망 및 모델 그래프에서 경계를 검증하여 $ d_{\text{max}} \leq 5d_{\text{min}} $ 일 때 일관성을 보임을 보여주기 위해.

실험 결과

연구 질문

• RQ1 다양한 그래프 구조에서 인접 행렬과 랜덤워크 정규화 라플라시안 행렬의 고유값은 어떻게 비교될 수 있는가?
• RQ2 인접 행렬과 $ L_{\text{rw}} $ 간의 고유값 차이에 대해 가장 날카운 가능한 경계는 무엇이며, 그래프의 차수 이질성에 따라 어떻게 달라지는가?
• RQ3 어떤 조건에서 다양한 행렬 표현 방식이 그래프 신호 처리에서 일관된 스펙트럼 추론을 제공하는가?
• RQ4 차수 격차 $ d_{\text{max}} - d_{\text{min}} $ 는 스펙트럼 클러스터링 및 기타 알고리즘의 신뢰성에 어떻게 영향을 미치는가?
• RQ5 애핀 변환은 서로 다른 그래프 행렬에서 유래한 스펙트럼을 비교할 수 있도록 하면서도 정규화된 고유간격을 유지할 수 있는가?

주요 결과

• 인접 행렬 $ A $ 와 랜덤워크 정규화 라플라시안 $ L_{\text{rw}} $ 간의 고유값 차이에 대한 경계는 $ 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ 로, 이는 날카운 경계이며 $ d_{\text{max}} \leq 5d_{\text{min}} $ 에 대해 유효하다.
• $ d_{\text{max}} > 5d_{\text{min}} $ 일 경우 최소 경계 값은 2이지만, 이는 퇴화된 변환에 해당하여 가역적이지 않기 때문에 기각된다.
• $ d $-정규 그래프에서 $ d_{\text{max}} = d_{\text{min}} $ 이면 경계는 0으로 줄어들며, 이는 다양한 표현 간의 스펙트럼 일관성을 확인한다.
• $ d_{\text{max}} - d_{\text{min}} $ 가 클 경우, 다양한 행렬 표현 간의 스펙트럼 클러스터링 결과가 유의미하게 다름을 보여주며, 이는 추론의 일관성 없음을 시사한다.
• 경계는 $ d_{\text{max}} \leq 5d_{\text{min}} $ 일 때 가장 날카롭고, 이 영역에서 경계는 $ 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ 로, 이는 2 이하이다.
• 분석 결과, 차수 극값 간 격차가 작을 때에만 다양한 행렬 표현 간의 일관된 추론이 보장됨을 보여준다.