[논문 리뷰] Sampling random graphs with specified degree sequences

Upasana Dutta, Bailey K. Fosdick외 1명|arXiv (Cornell University)|2021. 05. 25.

Complex Network Analysis Techniques인용 수 6

한 줄 요약

이 논문은 특정도수분포를 가진 무작위 그래프의 구성모형에서 마르코프 체인 몬테카를로(MCMC) 샘플링을 위한 수렴 탐지 방법과 샘플링 갭 추정 알고리즘을 제안한다. 효과적 독립성 추정을 위해 도수 조화도를 사용하고, Dickey-Fuller 일반화된 최소제곱(DFGLS) 검정을 적용함으로써, 모든 여덟 개의 구성모형 그래프 공간에서 정확하고 효율적인 수렴 탐지가 가능해지며, 경험적 척도 규칙을 통해 재실행 없이도 자동으로 갭을 선택할 수 있다.

ABSTRACT

The configuration model is a standard tool for uniformly generating random graphs with a specified degree sequence, and is often used as a null model to evaluate how much of an observed network's structure can be explained by its degree structure alone. A Markov chain Monte Carlo (MCMC) algorithm, based on a degree-preserving double-edge swap, provides an asymptotic solution to sample from the configuration model. However, accurately and efficiently detecting this Markov chain's convergence on its stationary distribution remains an unsolved problem. Here, we provide a solution to detect convergence and sample from the configuration model. We develop an algorithm, based on the assortativity of the sampled graphs, for estimating the gap between effectively independent MCMC states, and a computationally efficient gap-estimation heuristic derived from analyzing a corpus of 509 empirical networks. We provide a convergence detection method based on the Dickey-Fuller Generalized Least Squares test, which we show is more accurate and efficient than three alternative Markov chain convergence tests.

연구 동기 및 목표

• 네트워크 과학에서 유효한 노ulled 모델을 생성하는 데 핵심적인 요소인 구성모형에 대한 MCMC 샘플링에서 신뢰할 수 있는 수렴 탐지의 부족을 해결하기 위해.
• 도수 유지 마르코프 체인에서 효과적으로 상관없는 MCMC 상태를 확보하기 위한 계산 효율성이 높은 샘플링 갭 추정 방법을 개발하기 위해.
• 각 네트워크마다 갭 추정 알고리즘을 재실행하지 않고도 다양한 실세계 네트워크 전반에서 적절한 샘플링 갭을 자동으로 선택할 수 있는 실용적이고 자동화된 솔루션을 제공하기 위해.
• 자기순환선과 다중선을 금지하는 경우를 포함해 여덟 개의 모든 구성모형 그래프 공간에서 방법의 정확성과 효율성을 검증하기 위해.
• 샘플링 갭 추정치와 네트워크 크기(간선 수) 간의 경험적 척도 규칙을 수립하여 히우리스틱 기반 갭 선택을 가능하게 하기 위해.

제안 방법

• 효과적 샘플링 갭 추정을 위해 네트워크 구조의 스칼라 요약으로 도수 조화도를 사용하여 상관없는 MCMC 상태 간의 갭을 추정한다.
• MCMC 체인의 정(stationarity)을 탐지하기 위해 Dickey-Fuller 일반화된 최소제곱(DFGLS) 검정을 적용하였으며, 정확성과 효율성 면에서 세 가지 대안적 수렴 검정보다 뛰어나다.
• 간격 추정 알고리즘(알고리즘 1)은 도수 조화도 값의 자기상관을 기반으로 통계적 독립성을 확보하기 위해 필요한 최소 단계 수를 계산한다.
• 509개의 실세계 및 반합성 네트워크를 분석하여 갭 추정치의 간선 수에 따른 척도 패턴을 규명하고, 히우리스틱 결정 규칙을 도출한다.
• 자기순환선과 다중선이 허용되지 않는 단순 그래프를 포함한 여덟 개의 모든 구성모형 변형에서 방법을 검증하였으며, 수렴 탐지 정확성과 혼합 시간 척도를 확인하였다.
• 계산 효율성이 높고 실세계 네트워크에 적용 가능한 방법으로 설계되었으며, 조화도가 효과적이지 않은 저분산 도수 분포에서는 대체 지표를 사용할 수 있는 후속 조치를 제공한다.

Figure 1: A small network in each of eight distinct configuration model graph spaces, corresponding to all combinations of allowing (c-d, g-h) or not allowing (a-b, e-f) multi-edges, and allowing (e-f, g-h) or not allowing (a-b, c-d) self-loops, in either a vertex-labeled space (1st and 3rd columns)

실험 결과

연구 질문

• RQ1 Dickey-Fuller 일반화된 최소제곱(DFGLS) 검정은 여덟 개의 모든 그래프 공간에서 구성모형 MCMC 샘플링의 수렴을 정확하고 효율적으로 탐지하는 데 사용될 수 있는가?
• RQ2 네트워크의 간선 수와 상관없는 MCMC 상태를 확보하기 위해 필요한 효과적 샘플링 갭 간의 관계는 무엇인가?
• RQ3 샘플링 갭의 경험적 척도 패턴을 활용해 매번 갭을 재계산하지 않아도 되는 히우리스틱 규칙을 도출할 수 있는가?
• RQ4 저분산 도수 네트워크에서 수렴 탐지의 신뢰성에 영향을 주는 네트워크 통계량(예: 조화도 대비 군집 계수)의 선택은 어떻게 영향을 미치는가?
• RQ5 모든 여덟 개의 구성모형 변형에서 이중간선 교환 MCMC 체인의 혼합 시간은 간선 수 m에 대해 점근적으로 Θ(m)인가?

주요 결과

• Dickey-Fuller 일반화된 최소제곱(DFGLS) 검정은 여덟 개의 모든 구성모형 그래프 공간에서 MCMC 수렴 탐지에 대해 정확성과 계산 효율성 면에서 세 가지 대안적 수렴 검정보다 뛰어나다.
• 추정된 샘플링 갭은 간선 수 m에 대해 경험적으로 척도가 적용되며, 이 척도 행동은 다양한 그래프 공간 간에서 일관되며, 갭 선택을 위한 히우리스틱 규칙 개발이 가능하다.
• 저자들은 네트워크 크기에 기반한 결정 규칙 세트를 규명하고 검증하여 연구자가 갭 추정 알고리즘을 실행하지 않고도 적절한 샘플링 갭을 자동으로 선택할 수 있도록 하였다.
• 이 연구는 이중간선 교환 MCMC 체인의 혼합 시간이 여덟 개의 모든 구성모형 변형에서 Θ(m)임을 지지하는 증거를 제공하며, 간선 수에 선형적으로 의존함을 시사한다.
• 매우 낮은 도수 분산을 가진 네트워크(예: k-정규 그래프)에서는 도수 조화도가 수렴 요약 통계량으로 효과적이지 않으며, 더 높은 계산 비용을 지닌 군집 계수와 같은 대체 지표를 권장한다.
• 이 방법은 다양한 실세계 네트워크에서 강건하며, 자기순환선과 다중선을 배제하는 목표 그래프 공간에서도 정확한 MCMC 이행 규칙이 적용된다면 여전히 효과적이다.

Figure 2: (a) The degree-preserving double-edge swaps on a pair of edges $\{(x,y),(w,z)\}$ results in either $\{(x,y),(w,z)\}\rightarrow\{(x,z),(w,y)\}$ or $\{(x,y),(w,z)\}\rightarrow\{(x,w),(y,z)\}$ as shown. (b) If the vertices x, y, w, z are not distinct, double edge swap $\{(x,y),(w,x)\}\rightar