[논문 리뷰] Effective and efficient approximations of the generalized inverse of the graph Laplacian matrix with an application to current-flow betweenness centrality

Enrico Bozzo, Massimo Franceschet|arXiv (Cornell University)|2012. 05. 22.

Complex Network Analysis Techniques참고 문헌 23인용 수 8

한 줄 요약

이 논문은 그래프 라플라시안 행렬의 일반화된 역행렬에 대한 효율적인 근사 방법을 제안하며, 극히 소수의 고유벡터 쌍만을 사용하여 스케일러블한 커런트플로우 중심성 계산을 가능하게 한다. 스트레치 근사 방법은 단 하나의 고유벡터 쌍만으로도 정확한 순위와 상관관계가 0.9 초과를 달성하며, 시간 복잡도를 O(n³)에서 O(n¹.⁵)로, 메모리는 O(n²)에서 O(n)으로 감소시켜 대규모 네트워크 분석을 실현 가능하게 한다.

ABSTRACT

We devise methods for finding approximations of the generalized inverse of the graph Laplacian matrix, which arises in many graph-theoretic applications. Finding this matrix in its entirety involves solving a matrix inversion problem, which is resource demanding in terms of consumed time and memory and hence impractical whenever the graph is relatively large. Our approximations use only few eigenpairs of the Laplacian matrix and are parametric with respect to this number, so that the user can compromise between effectiveness and efficiency of the approximated solution. We apply the devised approximations to the problem of computing current-flow betweenness centrality on a graph. However, given the generality of the Laplacian matrix, many other applications can be sought. We experimentally demonstrate that the approximations are effective already with a constant number of eigenpairs. These few eigenpairs can be stored with a linear amount of memory in the number of nodes of the graph and, in the realistic case of sparse networks, they can be efficiently computed using one of the many methods for retrieving few eigenpairs of sparse matrices that abound in the literature.

연구 동기 및 목표

• 대규모 네트워크에서 그래프 라플라시안 행렬의 전체 일반화된 역행렬을 계산하는 데 있어 계산상의 비현실성을 해결하기 위해.
• 소수의 고유벡터 쌍만을 활용하여 정확도와 효율성의 균형을 이루는 근사 방법을 개발하기 위해.
• 소셜, 생물학적, 기술적 그래프와 같은 대규모 네트워크에서 실용적인 커런트플로우 중심성 계산을 가능하게 하기 위해.
• 소수의 고유벡터 쌍을 기반으로 한 근사가 정확도를 높이면서도 시간과 메모리 요구량을 극적으로 줄일 수 있음을 입증하기 위해.

제안 방법

• 라플라시안 행렬의 소수의 고유벡터 쌍을 계산하는 데 기반한 두 가지 근사 방법인 컷오프와 스트레치를 제안한다.
• 컷오프 근사는 계산된 고유벡터 쌍만을 사용하여 일반화된 역행렬의 원소를 추정한다.
• 스트레치 근사는 생략된 고유벡터 쌍의 추정을 포함시켜 정확도를 향상시킨다.
• 두 방법 모두 매개변수화되어 있어 정확도와 효율성 간의 트레이드오프를 위해 고유벡터 쌍의 수를 사용자가 조절할 수 있다.
• 이 방법들은 일반화된 역행렬 공식을 통해 커런트플로우 중심성 계산에 적용된다.
• 이론적 분석을 통해 스트레치 근사가 컷오프 근사보다 더 효과적임을 보였다.

실험 결과

연구 질문

• RQ1 라플라시안 행렬의 소수의 고유벡터 쌍을 사용하여 그 일반화된 역행렬을 효과적으로 근사할 수 있는가?
• RQ2 사용된 고유벡터 쌍의 수에 따라 근사의 정확도가 어떻게 변화하는가?
• RQ3 제안된 근사 방법이 대규모 네트워크에서 커런트플로우 중심성 계산을 효율적으로 가능하게 할 수 있는가?
• RQ4 컷오프와 스트레치 근사 방법 간의 정확도 및 효율성은 어떻게 비교되는가?
• RQ5 시간과 메모리 측면에서 정확도와 계산 비용 간의 트레이드오프는 어떠한가?

주요 결과

• 스트레치 근사는 단 하나의 고유벡터 쌍만을 사용하여도 정확한 커런트플로우 중심성 순위와 상관계수가 0.9 초과를 달성한다.
• 근사의 시간 복잡도는 정확한 역행렬 계산의 O(n³)에서 O(n¹.⁵)로 감소하여, 10⁶개 노드를 가진 그래프에 대해 한 시간 이내에 계산이 가능해졌다.
• 메모리 사용량은 O(n²)에서 O(n)으로 감소하여, 10⁶개 노드 네트워크에 대해 약 1메가바이트만으로도 충분하다.
• ER 네트워크의 경우, 첫 번째 몇 개의 고유벡터 쌍을 계산하는 데 BA 네트워크보다 약 10배 빠른 편이다.
• 스트레치 근사(한 개의 고유벡터 쌍)와 노드 쌍의 확률적 샘플링을 조합한 접근 방식은 노드 쌍 공간의 10% 미만으로도 높은 정확도를 달성한다.
• BA 및 ER 모델에서 시간 복잡도의 R-제곱 적합도는 모두 0.997 이상이었으며, 관측된 스케일링 행동에 대해 강력한 모델 적합도를 확인했다.