[논문 리뷰] Seedless Graph Matching via Tail of Degree Distribution for Correlated Erdos-Renyi Graphs.

Mahdi Bozorg, Saber Salehkaleybar외 1명|arXiv (Cornell University)|2019. 07. 15.

Graph Theory and Algorithms참고 문헌 32인용 수 4

한 줄 요약

이 논문은 이웃 노드의 도수 분포 꼬리(part)를 사용하여 구조적 특징을 할당함으로써, 사전 지식이나 보조 데이터 없이도 정확한 노드 정렬을 가능하게 하는 시드리스 그래프 매칭 알고리즘을 제안한다. 이는 관련된 에르되시-레니 그래프에 대해 기존 방법들보다 뛰어난 매칭 정확도를 달성하며, 특히 이론적으로 복원이 가능한 희박한 영역에서 뛰어나다.

ABSTRACT

The network alignment (or graph matching) problem refers to recovering the node-to-node correspondence between two correlated networks. In this paper, we propose a network alignment algorithm which works without using a seed set of pre-matched node pairs or any other auxiliary information (e.g., node or edge labels) as an input. The algorithm assigns structurally innovative features to nodes based on the tail of empirical degree distribution of their neighbor nodes. Then, it matches the nodes according to these features. We evaluate the performance of proposed algorithm on both synthetic and real networks. For synthetic networks, we generate Erdos-Renyi graphs in the regions of $\Theta(\log(n)/n)$ and $\Theta(\log^{2}(n)/n)$, where a previous work theoretically showed that recovering is feasible in sparse Erdos-Renyi graphs if and only if the probability of having an edge between a pair of nodes in one of the graphs and also between the corresponding nodes in the other graph is in the order of $\Omega(\log(n)/n)$, where $n$ is the number of nodes. Experiments on both real and synthetic networks show that it outperforms previous works in terms of probability of correct matching.

연구 동기 및 목표

• 시드 노드 또는 레이블과 같은 보조 정보가 없는 상황에서 네트워크 정렬 문제를 해결하기 위해.
• 네트워크의 내재된 구조적 특성을 활용하여 노드 매칭을 수행하는 방법을 개발하기 위해.
• 특히 Θ(log(n)/n) 및 Θ(log²(n)/n) 영역에서의 임계 영역에서의 성능을 평가하기 위해.
• 이웃 도수 분포에서 유도된 구조적 특징이 외부 지침 없이도 고정확도의 정렬을 가능하게 할 수 있음을 보여주기 위해.
• 합성 및 실세계 네트워크에서 기존 방법을 뛰어넘는 시드리스 정렬 기반 기준을 설정하기 위해.

제안 방법

• 알고리즘은 각 노드에 대해 그 이웃의 경험적 도수 분포를 기반으로 특징 벡터를 할당한다.
• 희귀하지만 구조적으로 유용한 패턴을 포착하기 위해 이웃 도수 분포의 꼬리(part)에 집중한다.
• 유사도 측정법을 사용하여 유도된 이러한 구조적 특징을 비교함으로써 노드 매칭을 수행한다.
• 라벨이 지정된 노드 쌍이나 엣지/정점 속성이 필요 없이 완전히 자기지도 학습 방식으로 작동한다.
• 정합성과 확장성을 평가하기 위해 합성 에르되시-레니 그래프와 실세계 네트워크 양쪽에서 방법을 평가한다.
• 이론적 분석을 통해 간선 확률이 Ω(log(n)/n) 수준일 경우 희박한 그래프에서 복원이 가능하다는 것을 뒷받침한다.

실험 결과

연구 질문

• RQ1 관련된 에르되시-레니 그래프에서 시드 노드나 보조 정보 없이도 고정확도의 그래프 매칭을 달성할 수 있는가?
• RQ2 이웃 도수 분포의 꼬리(part)에서 유도된 특징들이 매칭을 위한 구조적 유일성을 얼마나 효과적으로 포착하는가?
• RQ3 제안된 방법이 합성 및 실세계 네트워크 환경에서 기존의 시드리스 정렬 기법보다 뛰어나게 성능을 발휘하는가?
• RQ4 희박성 범위(특히 Θ(log(n)/n) 및 Θ(log²(n)/n))에서 이 방법이 가장 효과적인가?
• RQ5 국소 이웃 도수 분포에서 유도된 구조적 특징이 희박한 무작위 그래프에서 신뢰할 수 있는 정렬을 가능하게 하는가?

주요 결과

• 제안된 알고리즘은 합성 네트워크와 실세계 네트워크 양쪽에서 이전 방법보다 더 높은 정확한 매칭 확률을 달성한다.
• 이론적으로 복원이 가능한 희박한 영역, 특히 Θ(log(n)/n) 및 Θ(log²(n)/n) 간선 확률 영역에서 뛰어난 성능을 보인다.
• 라벨이 없는 데이터에서도 이웃 도수 분포의 꼬리(part)를 기반으로 한 구조적 특징이 노드를 효과적으로 구분한다.
• 실세계 복잡한 네트워크를 포함한 다양한 네트워크 구조에서 강건성을 보였다.
• 시드 세트나 보조 정보가 없음에도 성능에 손상이 없어, 강력한 자기지도 학습 능력을 나타낸다.
• 실험 결과는 이 방법이 매칭 정확도 측면에서 기존의 시드리스 접근법을 뛰어넘음을 확인한다.