[논문 리뷰] Graph Clustering in All Parameter Regimes

Junhao Gan, David F. Gleich외 3명|arXiv (Cornell University)|2019. 10. 14.

Complex Network Analysis Techniques참고 문헌 29인용 수 1

한 줄 요약

이 논문은 해상도 파라미터 λ ∈ (0,1) 전역에서 람다프라임 그래프 클러스터링 목적함수를 근사적으로 최적화하는 작은 클러스터링 가족을 효율적으로 계산하는 방법을 제안한다. O(log n)개의 전략적으로 선택된 λ 값에서 파arametric 선형계획법(선형계획법)의 타협 해를 풀고, 근사 알고리즘을 통해 해를 반올림함으로써, 모든 λ에 대해 (1+ε)-근사 해를 얻을 수 있으며, 이는 O(log n)개의 클러스터링으로 달성되며, 특정 고리 그래프에서는 이 bound가 상수 인자 범위 내에서 최적임을 증명한다.

ABSTRACT

Resolution parameters in graph clustering control the size and structure of clusters formed by solving a parametric objective function. Typically there is more than one meaningful way to cluster a graph, and solving the same objective function for different resolution parameters produces clusterings at different levels of granularity, each of which can be meaningful depending on the application. In this paper, we address the task of efficiently solving a parameterized graph clustering objective for all values of a resolution parameter. Specifically, we consider a new analysis-friendly objective we call LambdaPrime, involving a parameter λ ∈ (0,1). LambdaPrime is an adaptation of LambdaCC, a significant family of instances of the Correlation Clustering (minimization) problem. Indeed, LambdaPrime and LambdaCC are closely related to other parameterized clustering problems, such as parametric generalizations of modularity. They capture a number of specific clustering problems as special cases, including sparsest cut and cluster deletion. While previous work provides approximation results for a single value of the resolution parameter, we seek a set of approximately optimal clusterings for all values of λ in polynomial time. More specifically, we show that when a graph has m edges and n nodes, there exists a set of at most m clusterings such that, for every λ ∈ (0,1), the family contains an optimal solution to the LambdaPrime objective. This bound is tight on star graphs. We obtain a family of O(log n) clusterings by solving the parametric linear programming (LP) relaxation of LambdaPrime at O(log n) λ values, and rounding each LP solution using existing approximation algorithms. We prove that this is asymptotically tight: for a certain class of ring graphs, for all values of λ, Ω(log n) feasible solutions are required to provide a constant-factor approximation for the LambdaPrime LP relaxation. To minimize the size of the clustering family, we further propose an algorithm that yields a family of solutions of a size no more than twice of the minimum LP-approximating family.

연구 동기 및 목표

• 해상도 파라미터 λ 전역에서 람다프라임 그래프 클러스터링 목적함수를 잘 근사하는 작은 클러스터링 가족을 찾는 문제에 대응하기 위해.
• 전체 파라미터 범위에서 람다프라임의 정확하거나 근사 최적화를 달성하기 위해 필요한 최소 클러스터링 수에 대한 이론적 한계를 설정하기 위해.
• 기존 히우리스틱 방법에서 전역 보장을 가지지 못하는 점을 극복하고, 파arametric 그래프 클러스터링에 대해 엄밀한 근사 보장을 제공하기 위해.
• 모든 파rameter 영역에서 클러스터링 가족의 크기와 근사 품질 사이의 근본적 트레이드오프를 탐색하기 위해.
• 특히 고리 및 별 그래프와 같은 구조적 그래프 클래스에서 필요한 클러스터링 수에 대한 bound의 tightness를 입증하기 위해.

제안 방법

• 해상도 파라미터 λ ∈ (0,1)를 가진 파arametric 클러스터링 문제로 람다프라임 목적함수를 재구성하여 클러스터 크기와 간선 조밀도 사이의 균형을 이끌어내기 위해.
• 연속적인 λ 값 전역에서 효율적인 최적화를 가능하게 하기 위해 람다프라임 목적함수의 파arametric 선형계획법 타협을 개발하기 위해.
• 전체 파라미터 범위를 샘플링하기 위해 로그 스케일 이산화 전략을 사용하여 O(log n)개의 핵심 λ 값을 선택하기 위해.
• 각 선택된 λ 값에서 선형계획법 타협을 풀고, 기존 근사 알고리즘(예: 가중 상관 클러스터링)을 적용하여 분수 해를 유효한 클러스터링으로 반올림하기 위해.
• 결과적으로 O(log n)개의 클러스터링 가족이 모든 λ ∈ (0,1)에 대해 최적의 람다프라임 해에 대해 (1+ε)-근사 해를 제공함을 증명하기 위해.
• 특정 그래프 가족(예: 고리 그래프)을 구성함으로써 하한을 설정하여, 상수 인자 근사에 대해 Ω(log n)개의 클러스터링이 필요함을 입증함으로써, 이 bound가 상수 인자 범위 내에서 최적임을 증명하기 위해.

실험 결과

연구 질문

• RQ1 모든 해상도 파라미터 λ 값에서 람다프라임 목적함수에 대해 상수 인자 근사 해를 제공하기 위해 필요한 최소 클러스터링 수는 얼마인가요?
• RQ2 모든 λ ∈ (0,1)에 대해 (1+ε)-근사 해를 보장하는 작은 클러스터링 가족을 구성할 수 있는가요?
• RQ3 클러스터링 수가 점점 커지는 그래프 클래스는 존재하는가? 그리고 이러한 가족의 기본 한계는 무엇인가요?
• RQ4 람다프라임의 파arametric 선형계획법 타협은 모든 λ 값에서 근사 해를 효율적으로 계산하는 데 어떻게 기여하는가요?
• RQ5 모든 파라미터 영역에서 람다프라임을 정확하거나 근사적으로 해결하기 위해 필요한 클러스터링 가족의 크기에 대한 이론적 하한은 무엇인가요?

주요 결과

• 모든 λ ∈ (0,1)에 대해 최적의 람다프라임 해에 대해 (1+ε)-근사 해를 제공하는 데 O(log n)개의 클러스터링으로 충분하며, 이 bound는 상수 인자 범위 내에서 최적임을 입증한다.
• 특정 고리 그래프 클래스에 대해 모든 λ 값에서 상수 인자 근사 해를 달성하기 위해 최소 Ω(log n)개의 클러스터링이 필요하며, 이는 상한이 점근적으로 최적임을 증명한다.
• 모든 λ ∈ (0,1)에 대해 람다프라임 목적함수의 정확한 해를 포함하는 m개의 클러스터링 가족(여기서 m은 간선 수)이 존재하며, 이는 보편적이지만 잠재적으로 큰 가족이다.
• 제안된 방법은 파arametric 선형계획법 타협과 분수 해의 반올림을 활용하여 모든 파rameter 영역에서 증명 가능한 근사 보장을 달성한다.
• 결과적으로 이론적 기반을 제공하여 히우리스틱 방법이 전역 근사 한계를 가지지 못하는 점과 대비되며, 파arametric 그래프 클러스터링에 대해 엄밀한 보장을 제공한다.
• 분석을 통해 (1+ε)-근사 해를 얻기 위해 필요한 클러스터링 수가 n에 대해 로그 스케일로 증가하며, 이 증가율은 특정 그래프 구조에서는 피할 수 없다는 것이 입증된다.