[논문 리뷰] Network Representation Using Graph Root Distributions

Jing Lei|arXiv (Cornell University)|2018. 02. 27.

Complex Network Analysis Techniques참고 문헌 54인용 수 14

한 줄 요약

이 논문은 교환 가능한 무작위 그래프를 그래프 루트 분포(GRD)를 사용하여 새로운 파arameterization을 제안한다. 여기서 노드는 크레인 공간 내의 랜덤 벡터로 표현되며, 간선 확률은 그 내적에 의해 정의된다. 주요 기여는 이론적으로 타당하고 기하학적으로 해석 가능한 추정기로서, 가중치를 부여한 스펙트럼 임bedding을 통해 GRD를 일致적으로 복원하는 것이다. GRD 간의 워샤프스키 거리가 그래프 샘플링 분포 간의 컷-거리에 상한을 제공한다.

ABSTRACT

Exchangeable random graphs serve as an important probabilistic framework for the statistical analysis of network data. In this work we develop an alternative parameterization for a large class of exchangeable random graphs, where the nodes are independent random vectors in a linear space equipped with an indefinite inner product, and the edge probability between two nodes equals the inner product of the corresponding node vectors. Therefore, the distribution of exchangeable random graphs in this subclass can be represented by a node sampling distribution on this linear space, which we call the graph root distribution. We study existence and identifiability of such representations, the topological relationship between the graph root distribution and the exchangeable random graph sampling distribution, and estimation of graph root distributions.

연구 동기 및 목표

• 교환 가능한 무작위 그래프를 크레인 공간 내 잠재 노드 벡터를 사용하여 새로운 기하학적으로 해석 가능한 파arameterization을 개발한다.
• 교환 가능한 무작위 그래프의 광범위한 클래스를 위한 그래프 루트 분포(GRD)의 존재성과 식별 가능성(Identifiability)을 확립한다.
• GRD 간의 워샤프스키 거리가 해당하는 그래프 샘플링 분포 간의 컷-거리에 상한을 제공함을 보인다.
• 가중치를 부여한 절단된 인접 행렬 스펙트럼 임bedding을 사용하여 GRD의 일관된 추정기(_estimator)를 제안한다.
• GRD 프레임워크가 이론적 근거를 바탕으로 네트워크 데이터에서 중요한 기하학적 구조를 드러냄을 보여준다.

제안 방법

• 교환 가능한 무작위 그래프를 분리 가능한 크레인 공간 내에서 정의된 부정적 내적을 갖는 노드 벡터로 표현한다.
• 그래프온 커널 $W$의 스펙트럼 분해로부터 유도된 노드 벡터의 샘플링 분포로서 그래프 루트 분포(GRD)를 구성한다.
• 적분 연산자 $W$의 제곱근을 사용하여 $[0,1]$에서의 역변환 샘플링을 적용하여 잠재 노드 벡터를 생성한다.
• 특이값 절단을 적용하고, 절단된 스펙트럼 임bedding에 절댓값 고유값의 제곱근을 가중치로 부여하여 GRD를 추정한다.
• GRD 간의 워샤프스키 거리가 그래프 샘플링 분포 간의 컷-거리에 상한을 제공함을 입증한다.
• 절단된 인접 행렬과 연산자 노름 제어 기법을 포함한 스펙트럼 그래프 이론 및 그래프온 추정 기법을 적응적으로 활용한다.

실험 결과

연구 질문

• RQ1 교환 가능한 무작위 그래프는 크레인 공간 내에서 간선 확률이 잠재 노드 벡터의 내적으로 표현되는 확률 분포로 표현될 수 있는가?
• RQ2 주어진 교환 가능한 무작위 그래프에 대해 그래프 루트 분포가 존재하고 식별 가능해지는 조건은 무엇인가?
• RQ3 그래프 루트 분포 간의 워샤프스키 거리는 그래프 샘플링 분포 간의 컷-거리와 어떻게 관련이 있는가?
• RQ4 네트워크 크기가 증가함에 따라 가중치를 부여한 절단된 스펙트럼 임bedding이 기저의 그래프 루트 분포를 일관되게 추정할 수 있는가?
• RQ5 GRD 프레임워크는 이론적 보장 하에 실제 네트워크 데이터에서 의미 있는 기하학적 구조를 드러내는가?

주요 결과

• 스펙트럼 분해를 통한 그래프온 커널 $W$의 분해를 통해, 광범위한 교환 가능한 무작위 그래프 클래스에 대해 그래프 루트 분포(GRD)가 존재하고 식별 가능하다.
• 두 GRD 간의 워샤프스키 거리는 해당하는 교환 가능한 무작위 그래프 샘플링 분포 간의 컷-거리에 상한을 제공한다.
• GRD의 동치류 간의 거리를 측정하기 위해 수정된 워샤프스키 거리가 도입되었으며, 이는 상한 성질을 유지한다.
• 절댓값 고유값의 제곱근을 가중치로 사용한 가중치를 부여한 절단된 인접 행렬 스펙트럼 임bedding은 정규성 조건 하에 $n \to \infty$일 때 진짜 GRD로의 워샤프스키 거리 수렴을 보인다.
• GRD 추정기는 일관되며, 수치 예제를 통해 네트워크 데이터의 기하학적 구조를 드러낸다.
• GRD 프레임워크는 이론적 보장 하에 무작위 점곱 그래프 모델을 인구 수준의 기하학적으로 해석 가능한 표현으로 확장한다.