[논문 리뷰] Hitting and commute times in large graphs are often misleading

Ulrike von Luxburg, Agnes Radl외 1명|arXiv (Cornell University)|2010. 03. 05.

Advanced Graph Theory Research참고 문헌 52인용 수 29

한 줄 요약

이 논문은 큰 무작위 그래프—특히 무작위 기하 그래프와 주어진 기대 차수를 가진 그래프에서, 도달 시간과 공유 시간이 정점의 차수에 대한 단순한 함수로 수렴함을 보여준다. 이는 전반적인 그래프 구조를 캡처하는 데 혼동을 빚어낸다. 그래프 크기가 커짐에 따라 공유 거리는 $1/d_u + 1/d_v$로 근사되며, 이는 클러스터링이나 위상에 민감하지 않은 국소적 측정이 된다.

ABSTRACT

Next to the shortest path distance, the second most popular distance function between vertices in a graph is the commute distance (resistance distance). For two vertices u and v, the hitting time H_{uv} is the expected time it takes a random walk to travel from u to v. The commute time is its symmetrized version C_{uv} = H_{uv} + H_{vu}. In our paper we study the behavior of hitting times and commute distances when the number n of vertices in the graph is very large. We prove that as n converges to infinty, hitting times and commute distances converge to expressions that do not take into account the global structure of the graph at all. Namely, the hitting time H_{uv} converges to 1/d_v and the commute time to 1/d_u + 1/d_v where d_u and d_v denote the degrees of vertices u and v. In these cases, the hitting and commute times are misleading in the sense that they do not provide information about the structure of the graph. We focus on two major classes of random graphs: random geometric graphs (k-nearest neighbor graphs, epsilon-graphs, Gaussian similarity graphs) and random graphs with given expected degrees (in particular, Erdos-Renyi graphs with and without planted partitions)

연구 동기 및 목표

• 큰 그래프에서 도달 및 공유 시간의 渐近적 행동을 조사하는 것.
• 공유 거리가 그래프의 클러스터 구조를 효과적으로 캡처한다는 널리 퍼진 믿음을 도전하는 것.
• 큰 그래프에서 공유 및 도달 시간이 전반적인 그래프 위상에 민감도를 잃는다는 것을 보여주는 것.
• 이 거리들이 오직 정점의 차수에만 의존하는 표현으로 수렴한다는 것을 확립하는 것.

제안 방법

• 그래프에서 전기 회로망 이론과 무작위 보행 역학을 사용하여 도달 및 공유 시간을 분석하는 것.
• 도달 시간에 대한 날카운 한계를 유도하기 위해 전기 회로망에서 유량 기반 추론을 적용하는 것.
• 스펙트럼 그래프 이론을 사용하여 다양한 무작위 그래프 모델에 걸쳐 결과를 일반화하는 것.
• 무작위 기하 그래프에서 k-최근접 이웃 반경에 대한 농도 부등식을 증명하여 차수 변동을 제한하는 것.
• 큰 그래프에서 kNN-반경이 $r \sim (k/n)^{1/d}$ 근처에 집중함을 증명하여 차수 집중을 이끌어내는 것.
• 점 渐近 근사 유도: $H_{uv} \approx 1/d_v$ 및 $C_{uv} \approx 1/d_u + 1/d_v$ 는 그래프 크기가 증가함에 따라 성립한다.

실험 결과

연구 질문

• RQ1 정점 수가 무한으로 갈 때 큰 무작위 그래프에서 도달 및 공유 시간은 어떻게 행동하는가?
• RQ2 공유 거리는 얼마나 큰 그래프에서 클러스터링이나 커뮤니티 분할과 같은 전반적인 그래프 구조를 반영하는가?
• RQ3 공유 거리가 오직 정점의 차수에만 의존하는 함수로 수렴하는 조건은 무엇인가?
• RQ4 왜 공유 거리와 같은 인기 있는 그래프 거리 측정법이 대규모 네트워크에서 구조적 특성을 캡처하지 못하는가?

주요 결과

• 큰 그래프에서 도달 시간 $H_{uv}$ 는 $n \to \infty$ 일 때 전반적인 그래프 구조와 무관하게 $1/d_v$ 로 수렴한다.
• 공유 시간 $C_{uv}$ 는 점 渐近적으로 $1/d_u + 1/d_v$ 로 수렴하며, 이는 두 정점의 차수에만 의존한다.
• 무작위 기하 그래프(kNN, ε-그래프, 가우시안 유사도 그래프)에서는 $n \to \infty$ 일 때 높은 확률로 근사가 성립한다.
• 기대 차수가 주어진 무작위 그래프(에르되시-레니 및 식물된 파artition 모델 포함)에서는 최소 차수가 $n$ 과 함께 증가할 때 동일한 수렴이 발생한다.
• 무작위 기하 그래프에서 스펙트럼 갭은 높은 확률로 0으로부터 멀리 떨어져 있으므로, 수렴 결과를 뒷받침한다.
• 결과적으로, 공유 거리는 클러스터링 작업에 효과가 없어지며, 유사한 차수를 가진 모든 정점은 실제 연결성과 관계없이 동일하게 가까이 보인다.