[논문 리뷰] Nonparametric two-sample hypothesis testing for low-rank random graphs of differing sizes

Joshua Agterberg, Minh Tang외 1명|arXiv (Cornell University)|2020. 12. 17.

Complex Network Analysis Techniques참고 문헌 59인용 수 6

한 줄 요약

이 논문은 크기가 다를 수 있고, 음수 고유값과 중복 고유값을 가진 저랭크 랜덤 그래프에 대해 비모수적 두 표본 가설 검정을 제안한다. 최대 평균 차이(MMD)를 회전된 그래프 임bedding에 적용하며, 회전은 최적 운반 이론을 통해 추정되는데, 이는 충분한 밀도 조건 하에서 일致성을 확보하고, 실무에서 단순 정렬 방식보다 성능이 향상된다.

ABSTRACT

Given two networks of differing sizes, it is of interest to test whether the two networks belong to the same distribution. We formalize the notion of "equality of distribution" under the framework of the generalized random dot product graph, which considers as special cases a number of popular network models with low-rank expectations. We then propose a nonparametric two-sample test statistic to conduct this test, assuming only that the networks have independent edges generated from low-rank probability matrices. Our proposed test statistic involves using the maximum mean discrepancy applied to suitably rotated rows of a graph embedding, where the rotation is estimated using optimal transport. We show that our test statistic, appropriately scaled, is consistent for sufficiently dense graphs, and we study its convergence under different sparsity regimes, and our results are demonstrated in numerical simulations.

연구 동기 및 목표

• 크기가 다를 수 있고, 음수 고유값과 매우 가까운 고유값을 가진 저랭크 랜덤 그래프 간의 차이를 테스트하는 데 도전하는 것.
• 이러한 복잡한 스펙트럼 조건 하에서도 유효한 비모수적 검정 통계량을 개발하는 것.
• 특히 중복 또는 음수 고유값이 존재할 경우, 고유값 간격에 기반한 단순 가정을 초월해 그래프 임베딩의 정렬을 향상시키는 것.
• 충분한 그래프 밀도 조건 하에서 검정 통계량의 이론적 일치성을 확립하는 것.
• 제안된 최적 운반 기반 정렬 방법의 실증적 성능을 표준 고유값 간격 기반 정렬과 비교하여 평가하는 것.

제안 방법

• 방법은 인접행렬에서 유도된 그래프 임베딩의 행에 최대 평균 차이(MMD)를 적용한다.
• MMD 계산 이전에 의미 있는 정렬을 위해, 임베딩 행의 최적 회전을 최적 운반 이론을 통해 추정한다.
• 충분히 밀도가 높은 그래프에 대해 일致성을 확보하기 위해 검정 통계량을 적절히 스케일링한다.
• 고유값 간격에 의존하지 않기 때문에, 음수 고유값과 중복 고유값을 처리할 수 있다.
• 다양한 희박성 범주(밀도 및 희박한 그래프 설정 포함)에서의 수렴성을 이론적으로 분석한다.
• 실증적 검증을 통해 시뮬레이션 및 실세계 그래프 데이터에서 제안된 회전 방법과 단순 정렬 방법 간의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 음수 및 중복 고유값을 가진 저랭크 랜덤 그래프에 대해 비모수적 두 표본 검정을 일관성 있게 적용할 수 있는가?
• RQ2 실제로 최적 운반 기반 정렬이 표준 고유값 간격 기반 정렬보다 성능이 뛰어나게 되는가?
• RQ3 특히 희박한 그래프와 밀도가 높은 그래프에서, 검정 통계량은 어떻게 행동하는가?
• RQ4 크기가 다른 그래프에 적용했을 때, 제안된 MMD 기반 검정 통계량은 일관성이 있는가?
• RQ5 스펙트럼의 비정상성(음수 및 중복 고유값)은 기존 그래프 비교 방법의 성능에 어떤 영향을 미치는가?

주요 결과

• 적절히 스케일링된 제안된 검정 통계량은 음수 및 중복 고유값을 가진 충분히 밀도가 높은 저랭크 랜덤 그래프에 대해 일관성이 있다.
• 실증 결과에 따르면, 최적 운반 기반 정렬 절차가 단순 고유값 간격 기반 정렬에 비해 검정의 검정력과 내성 면에서 뛰어나다.
• 표준 스펙트럼 접근 방식을 무효화하는 음수 고유값을 가진 간선 확률 행렬이 존재하더라도 방법은 여전히 유효하다.
• 다양한 희박성 범주에서 양호한 성능 유지를 보이며, 밀도가 높은 그래프 조건 하에서 이론적 수렴성이 입증되었다.
• 회전된 임베딩에 MMD를 적용하는 방식은 스펙트럼 비정상성과 그래프 크기의 차이에 대해 강건한 비모수적 비교를 가능하게 한다.
• 전통적인 그래프 비교 방법에 비해 고유값 간격 탐지나 양의 정부호 가정에 의존하지 않는 원칙적인 대안을 제공한다.