[논문 리뷰] Spectral Alignment of Networks

Soheil Feizi, Gerald Quon외 3명|arXiv (Cornell University)|2015. 02. 18.

Bioinformatics and Genomic Networks참고 문헌 107인용 수 14

한 줄 요약

이 논문은 이중할당 문제의 고유벡터 허용을 통해 양자할당 문제의 고유벡터 허용을 활용하는 새로운 네트워크 정렬 방법인 EigenAlign을 제안한다. 정렬 행렬에 매칭된 상호작용과 매칭되지 않은 상호작용을 인코딩하여, 기술적 조건 하에서 에르되시-레니 그래프에서 渐近적으로 정확한 정렬을 달성하며, 매칭된 엣지와 매칭되지 않은 엣지를 동시에 최적화하여 낮은 유사도와 모듈러 구조를 가진 네트워크를 효과적으로 정렬한다.

ABSTRACT

Network alignment refers to the problem of finding a bijective mapping across vertices of two or more graphs to maximize the number of overlapping edges and/or to minimize the num-ber of mismatched interactions across networks. This paper introduces a network alignment algorithm inspired by eigenvector analysis which creates a simple relaxation for the underlying quadratic assignment problem. Our method relaxes binary assignment constraints along the leading eigenvector of an alignment matrix which captures the structure of matched and mis-matched interactions across networks. Our proposed algorithm denoted by EigeAlign has two steps. First, it computes the Perron-Frobenius eigenvector of the alignment matrix. Second, it uses this eigenvector in a linear optimization framework of maximum weight bipartite matching to infer bijective mappings across vertices of two graphs. Unlike existing network alignment methods, EigenAlign considers both matched and mismatched interactions in its optimization and therefore, it is effective in aligning networks even with low similarity. We show that, when certain technical conditions hold, the relaxation given by EigenAlign is asymptotically exact over Erdös-Rényi graphs with high probability. Moreover, for modular network structures, we

연구 동기 및 목표

• 낮은 쌍별 정점 유사도를 가진 생물학적 및 복잡한 네트워크 정렬의 과제를 해결한다.
• 기존 방법이 매칭된 엣지만 고려하거나 히وري스틱 허용을 사용하는 데서 비롯하는 한계를 극복한다.
• 네트워크 정렬을 위한 원칙적인 스펙트럴 허용을 개발한다.
• 에르되시-레니 및 모듈러 네트워크와 같은 특정 그래프 모델 하에서 허용의 정확성에 대한 이론적 근거를 제공한다.
• 매칭된 엣지와 매칭되지 않은 엣지 정보를 최적화에 통합하여 희박하거나 노이즈가 있는 상호작용을 가진 네트워크의 효과적인 정렬을 가능하게 한다.

제안 방법

• 두 네트워크 간 정점 쌍 간의 구조적 유사도를 포함한 매칭된 상호작용과 매칭되지 않은 엣지 상호작용을 인코딩하는 정렬 행렬을 구축한다.
• 이중 할당 제약 조건을 연속 변수로 허용하기 위해 정렬 행렬의 주요 고유벡터(페로-프로베니우스 고유벡터)를 계산한다.
• 결과로 얻은 고유벡터를 선형 최적화 프레임워크의 입력으로 사용하여 최대 무게 이분 매칭을 통해 이항 사상(일대일 정점 매핑)을 복구한다.
• 정렬 문제를 스펙트럴 허용된 이중할당 문제로 공식화하여 효율적인 계산과 이론적 분석을 가능하게 한다.
• 정확도 향상을 위해 정렬 행렬에 양(매칭된) 및 음(매칭되지 않은) 상호작용 신호를 통합한다.
• 이중 단계로 방법을 적용한다: 고유벡터 계산을 통한 스펙트럴 허용 이후 이분 매칭을 통한 이산적 할당

실험 결과

연구 질문

• RQ1 페로-프로베니우스 고유벡터 기반의 스펙트럴 허용은 에르되시-레니 그래프에서 渐近적으로 정확한 네트워크 정렬을 달성할 수 있는가?
• RQ2 매칭된 상호작용과 매칭되지 않은 상호작용을 동시에 모델링함으로써 낮은 유사도 네트워크에서 정렬 정확도는 어떻게 향상되는가?
• RQ3 특정 무작위 그래프 모델 하에서 제안된 허용의 이론적 성능 보장은 무엇인가?
• RQ4 기존 정렬 방법과 비교해 EigenAlign은 모듈러 네트워크 구조에서 어떻게 성능을 발휘하는가?
• RQ5 고유벡터 기반의 허용은 이산 네트워크 정렬의 안정적이고 정확한 초기화로 기능할 수 있는가?

주요 결과

• 일부 기술적 조건(에지 밀도 및 유사도)을 만족할 경우, 에르되시-레니 그래프에서 EigenAlign은 높은 확률로 渐近적으로 정확한 정렬을 달성한다.
• 매칭된 엣지 신호와 매칭되지 않은 엣지 신호를 정렬 행렬에 통합함으로써, 낮은 정점 유사도를 가진 네트워크를 효과적으로 정렬한다.
• 주요 고유벡터를 통한 스펙트럴 허용은 이산 이중할당 문제에 대해 강력한 연속적 근사값을 제공한다.
• 실험 결과, 특히 희박하거나 노이즈가 있는 상호작용을 가진 시나리오에서 EigenAlign은 기존 방법보다 우수한 성능을 보인다.
• 고유벡터 유도 점수에 최대 무게 이분 매칭을 적용함으로써 높은 품질의 이산 매핑과 강력한 정렬 정확도를 달성한다.
• 이론적 분석은 특정 조건 하에서 랜덤 그래프에 대해 허용이 극한에서 정확하다는 것을 확인하여, 방법의 설계 선택을 정당화한다.