[논문 리뷰] Graphons: A Nonparametric Method to Model, Estimate, and Design Algorithms for Massive Networks

Christian Borgs, Jennifer Chayes|arXiv (Cornell University)|2017. 06. 04.

Complex Network Analysis Techniques참고 문헌 35인용 수 12

한 줄 요약

이 논문은 그래프론(graphons)을 사용하여 거대한 네트워크, 특히 희박한 네트워크의 모델링, 추정 및 알고리즘 설계를 위한 비모수적 프레임워크를 제안한다. 샘플링된 네트워크로부터 그래프론의 일致성 추정을 확립하고, 네트워크 복원 및 협업 필터링에 적용하여, $ p = \omega(d^2 n^{-1}) $ 조건 하에서도 희박한 샘플링 조건에서도 정확한 링크 예측이 가능함을 보여주며, 이는 이전의 경계에 비해 상당한 향상이다.

ABSTRACT

Many social and economic systems are naturally represented as networks, from off-line and on-line social networks, to bipartite networks, like Netflix and Amazon, between consumers and products. Graphons, developed as limits of graphs, form a natural, nonparametric method to describe and estimate large networks like Facebook and LinkedIn. Here we describe the development of the theory of graphons, for both dense and sparse networks, over the last decade. We also review theorems showing that we can consistently estimate graphons from massive networks in a wide variety of models. Finally, we show how to use graphons to estimate missing links in a sparse network, which has applications from estimating social and information networks in development economics, to rigorously and efficiently doing collaborative filtering with applications to movie recommendations in Netflix and product suggestions in Amazon.

연구 동기 및 목표

• 사회적 네트워크나 이분할 네트워크와 같은 대규모 네트워크를 그래프론—그래프 수열의 극한 형태—을 이용해 비모수적 방법으로 모델링하고 추정하는 것.
• 희박하고 노이즈가 있으며 부분적으로 관측된 네트워크 데이터로부터 그래프론의 일致성 추정을 확립하는 것.
• 특히 영화나 제품 추천과 같은 협업 필터링 설정에서 네트워크 복원 문제에 그래프론 기반 추정을 적용하는 것.
• 고차원 잠재 공간 모델에서 일치하는 추정을 위해 필요한 샘플링 밀도에 대한 이론적 경계를 향상시키는 것.

제안 방법

• 그래프론—정의역이 $[0,1]^2$ 에서 $[0,1]$ 으로 가는 대칭 가측 함수 $ W: [0,1]^2 \to [0,1] $—을 사용하여 조밀하고 희박한 그래프 수열의 극한 형태로 네트워크를 모델링하는 것.
• 컷 거리(metric)와 그래프 수렴 이론을 사용하여 추정의 일치성을 정의하여, 적절한 샘플링 조건 하에서 경험적 그래프론이 진짜 그래프론으로 수렴함을 보장하는 것.
• Abbe와 Sandon(2015)의 확장된 이웃 기법을 활용하여 희박성을 다루며, 반복적인 이웃 확장을 통해 공통 이웃을 찾는 것.
• 그래프론을 기능적 프레임워크 내의 연산자로 간주하여 분산을 통제하고 고차원 잠재 공간에서의 추정 오차 경계를 유도하는 것.
• 간선 차별적 프라이버시 하에서도 그래프론 추정의 일치성을 확립하여, 프라이버시를 유지하면서도 통계적 정확성을 유지하는 것.
• 희박한 샘플링 조건 하에서 그래프론 추정의 평균 제곱 오차 경계를 유도하여, $ p = \omega(d^2 n^{-1}) $ 조건 하에서 수렴이 0으로 수렴함을 보여주는 것.

실험 결과

연구 질문

• RQ1 그래프론은 희박하고 노이즈가 많은 샘플로부터 거대한 네트워크를 일치하는 비모수적 방법으로 추정할 수 있는가?
• RQ2 고차원 잠재 공간 모델에서 그래프론의 일치 추정을 보장하기 위해 필요한 샘플링 밀도는 얼마인가?
• RQ3 그래프론은 실생활의 희박한 네트워크, 예를 들어 사회적 네트워크나 이분할 추천 시스템과 같은 누락된 링크를 복원하는 데 어떻게 활용될 수 있는가?
• RQ4 희박한 샘플링과 고차원 특징 조건 하에서도 그래프론 기반 추정을 이용한 협업 필터링을 엄밀하게 정당화할 수 있는가?
• RQ5 기존 연구에 비해 일치하는 그래프론 추정을 위해 필요한 샘플링 요구 조건에서 이론적 향상은 무엇인가?

주요 결과

• 논문은 평균 차수의 발산 조건 하에서도, 심지어 $ L^2 $-유계 그래프론 조건 하에서도 희박한 네트워크에서 그래프론의 일치 추정이 가능함을 입증한다.
• 다음과 같은 $ d $-차원 잠재 특징을 가진 네트워크의 경우, 샘플링 밀도가 $ p = \omega(d^2 n^{-1}) $ 를 만족할 경우 추정 그래프론의 평균 제곱 오차는 0으로 수렴하며, 이는 Chatterjee의 경계 $ \omega(n^{-2/(d+2)}) $ 에 비해 상당한 향상이다.
• 확장된 이웃 기법은 직접적인 공통 이웃이 없더라도 반복적인 이웃 확장을 통해 희박한 네트워크에서 효과적인 협업 필터링을 가능하게 한다.
• 그래프론 기반 추정은 넷플릭스나 아마존과 같은 이분할 네트워크에서 일관된 네트워크 복원을 달성하여, 희박한 데이터로부터 정확한 링크 예측을 가능하게 한다.
• 이 프레임워크는 간선 차별적 프라이버시를 지원하여, 프라이버시를 유지하면서도 통계적 일치성을 유지하는 그래프론 추정을 가능하게 한다.
• 이론적 결과는 조밀한 그래프에 대해서는 거리 수렴, 하위그래프 수렴, 전역 수렴 개념이 동치임을 확인하며, 적절한 조건 하에서 이는 희박한 그래프로도 확장된다.