[논문 리뷰] Spectral Graph Matching and Regularized Quadratic Relaxations I: The Gaussian Model

Zhou Fan, Cheng Mao외 2명|arXiv (Cornell University)|2019. 07. 20.

Graph Theory and Algorithms참고 문헌 56인용 수 19

한 줄 요약

이 논문은 고유값 간격을 기반으로 한 코시 커널 가중치를 사용하여 두 그래프의 고유벡터의 가중 외적곱을 이용해 유사도 행렬을 구성하는 새로운 스펙트럴 그래프 매칭 알고리즘인 GRAMPA를 소개한다. 가우시안 위그너 모델에서 GRAMPA는 노이즈 수준 σ = O(1/log n)일 때 높은 확률로 진짜 정점 대응을 정확히 복구한다. 이는 다항시간 알고리즘의 최상위 성능과 일치하며, 이전의 스펙트럴 방법들이 다항적으로 작은 σ를 요구하는 데 비해 크게 향상된 성능을 보인다.

ABSTRACT

Graph matching aims at finding the vertex correspondence between two unlabeled graphs that maximizes the total edge weight correlation. This amounts to solving a computationally intractable quadratic assignment problem. In this paper we propose a new spectral method, GRAph Matching by Pairwise eigen-Alignments (GRAMPA). Departing from prior spectral approaches that only compare top eigenvectors, or eigenvectors of the same order, GRAMPA first constructs a similarity matrix as a weighted sum of outer products between all pairs of eigenvectors of the two graphs, with weights given by a Cauchy kernel applied to the separation of the corresponding eigenvalues, then outputs a matching by a simple rounding procedure. The similarity matrix can also be interpreted as the solution to a regularized quadratic programming relaxation of the quadratic assignment problem. For the Gaussian Wigner model in which two complete graphs on $n$ vertices have Gaussian edge weights with correlation coefficient $1-σ^2$, we show that GRAMPA exactly recovers the correct vertex correspondence with high probability when $σ= O(\frac{1}{\log n})$. This matches the state of the art of polynomial-time algorithms, and significantly improves over existing spectral methods which require $σ$ to be polynomially small in $n$. The superiority of GRAMPA is also demonstrated on a variety of synthetic and real datasets, in terms of both statistical accuracy and computational efficiency. Universality results, including similar guarantees for dense and sparse Erdős-Rényi graphs, are deferred to the companion paper.

연구 동기 및 목표

• 그래프 매칭 문제에서 이차할당문제의 계산 불가능성을 해결하기 위해 증명 가능성이 있는 복구 보장을 갖춘 새로운 스펙트럴 방법을 제안하는 것.
• 기존의 스펙트럴 방법들이 강한 신호 대 노이즈 비율(즉, 다항적으로 작은 σ)을 요구하는 데 비해, 더 강건한 고유벡터 정렬 전략을 도입함으로써 이를 개선하는 것.
• 제안된 스펙트럴 방법과 QAP의 정규화된 이차계획법 편의 간의 관계를 수립하는 것.
• 합성 및 실세계 그래프 데이터셋에서 GRAMPA의 통계적이고 계산적 우수성을 입증하는 것.
• 밀도 및 희박한 에르되시-레니 그래프에 대한 보편성 결과의 이론적 기반을 마련하며, 이는 보조 논문으로 연기된다.

제안 방법

• GRAMPA는 두 그래프의 모든 고유벡터 쌍 간의 외적곱을 가중합으로 조합하여 유사도 행렬을 구성하며, 이 가중치는 대응하는 고유값의 절대 차이에 코시 커널을 적용한다.
• 코시 커널 가중치는 w(λ_i, μ_j) = 1 / (1 + (λ_i - μ_j)^2 / η^2)로 정의되며, 여기서 η는 노이즈 수준 σ와 독립적인 조정 파rameter이다.
• 결과적으로 생성된 유사도 행렬은 이차할당문제의 정규화된 이차계획법 편의의 해로 해석된다.
• 유사도 행렬을 순열 행렬 추정치로 간주하고 단순한 라운딩 절차를 통해 매칭을 도출한다.
• 이 방법은 위그너 집합의 스펙트럴 성질을 활용하며, 특히 부스러기 스펙트럼에서 고유벡터의 집중 현상을 이용한다.
• 이론적 분석은 벡터화, 정규직교 행렬에 의한 회전, 가우시안 혼합의 농도 부등식을 기반으로 하며, 주요 경계는 크로네커 대수와 신호 대 노이즈 히وري스틱을 통해 유도된다.

실험 결과

연구 질문

• RQ1 모든 고유벡터 쌍(상위 고유벡터만이 아닌)을 고려하는 스펙트럴 방법이 약한 신호 대 노이즈 조건 하에서 그래프 매칭 문제에서 정확한 복구를 달성할 수 있는가?
• RQ2 코시 커널을 통한 고유벡터 정렬 기반의 정규화된 이차계획법 편의가 기존 스펙트럴 방법보다 더 나은 복구 성능을 낼 수 있는가?
• RQ3 다항시간 알고리즘을 사용할 때 가우시안 위그너 모델에서 정확한 복구가 높은 확률로 가능한 최소 노이즈 수준 σ는 얼마인가?
• RQ4 특히 코시 커널을 사용한 커널 가중치의 선택이 고유벡터 정렬 과정에서 최적의 신호 대 노이즈 비율과 어떻게 관련되는가?
• RQ5 제안된 방법이 보편성 히وري스틱에 따라 비가우시안, 밀도 또는 희박한 무작위 그래프 모델으로 확장될 수 있는가?

주요 결과

• GRAMPA는 가우시안 위그너 모델에서 σ = O(1/log n)일 때 높은 확률로 진짜 정점 대응을 정확히 복구한다. 이는 다항시간 알고리즘의 최고 성능과 일치한다.
• 기존의 스펙트럴 접근 방식에 비해 크게 향상되었으며, 이는 n에 대해 다항적으로 작은 σ(예: O(n^{-c}) for c > 0)를 요구하는 데 비해, 훨씬 높은 노이즈 수준에서도 효과적으로 작동한다.
• GRAMPA가 생성한 유사도 행렬은 높은 확률로 대각선 우세성을 가지며, 이는 라운딩 절차가 정확한 순열을 복구하는 데 성공하는 데 기여한다.
• 코시 커널 가중치 방법은 신호 대 노이즈 비율 히وري스틱을 통해 이론적으로 정당화되며, 노이즈에 비해 신호 강도를 최대화하는 데 최적의 가중치 함수를 근사함을 보여준다.
• 수치 실험 결과, GRAMPA는 합성 및 실세계 데이터셋에서 다른 스펙트럴 방법보다 통계적 정확성과 계산 효율성 면에서 뛰어나다는 것이 확인되었다.
• 노이즈 수준이 알려져 있지 않은 경우에도 방법이 강건하며, 조정 파rameter η는 σ와 독립적으로 설정할 수 있으며, η = c / log n로 설정하는 것으로도 다양한 σ 범위에서 정확한 복구가 가능하다.