[論文レビュー] Comparing Graph Spectra of Adjacency and Laplacian Matrices

Johannes F. Lutzeyer, Andrew T. Walden|arXiv (Cornell University)|Dec 11, 2017

Complex Network Analysis Techniques参考文献 20被引用数 8

ひとこと要約

本稿は、グラフ信号処理における隣接行列とラプラシアン行列のスペクトル特性を、スペクトルを合わせるためにアフィン変換を適用することで比較する。最大・最小次数の差に依存する固有値差の上限を導出する。主な貢献は、隣接行列とランダムウォーク正規化ラプラシアン行列の固有値差に、$ 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ のタイトな上限を与えることである。これは、次数の差が大きいと行列表現間で一貫性のない推論が生じることを示し、逆に差が小さいと耐障害性が保証されることを示している。

ABSTRACT

Typically, graph structures are represented by one of three different matrices: the adjacency matrix, the unnormalised and the normalised graph Laplacian matrices. The spectral (eigenvalue) properties of these different matrices are compared. For each pair, the comparison is made by applying an affine transformation to one of them, which enables comparison whilst preserving certain key properties such as normalised eigengaps. Bounds are given on the eigenvalue differences thus found, which depend on the minimum and maximum degree of the graph. The monotonicity of the bounds and the structure of the graphs are related. The bounds on a real social network graph, and on three model graphs, are illustrated and analysed. The methodology is extended to provide bounds on normalised eigengap differences which again turn out to be in terms of the graph's degree extremes. It is found that if the degree extreme difference is large, different choices of representation matrix may give rise to disparate inference drawn from graph signal processing algorithms; smaller degree extreme differences result in consistent inference, whatever the choice of representation matrix. The different inference drawn from signal processing algorithms is visualised using the spectral clustering algorithm on the three representation matrices corresponding to a model graph and a real social network graph.

研究の動機と目的

• 異なるグラフ行列表現（隣接行列、非正規化ラプラシアン、ランダムウォーク正規化ラプラシアン）がグラフ信号処理におけるスペクトル推論に与える影響を調査すること。
• スペクトル解析の結果が異なる行列表現間で一貫する条件を特定すること。
• グラフの次数不均一性に対するスペクトル特性の感度を定量化すること。
• 正規化固有ギャップ構造を保つ固有値および固有ギャップ差の上限を提供すること。

提案手法

• 隣接行列 $ A $ とランダムウォーク正規化ラプラシアン $ L_{\text{rw}} $ のスペクトルを合わせるためにアフィン変換を適用し、固有値の順序と正規化固有ギャップを保持する。
• ワイエルの不等式を用いて、$ c_2 $（変換におけるスケーリング係数）にパrameter化された $ A $ と $ L_{\text{rw}} $ 間の固有値差の上限を導出する。
• $ c_2 $ の3つの区間における導出上限の単調性を解析し、上限を最小化する最適な $ c_2 $ を特定する。
• $ c_2 $ について最小化することで、タイトな上限 $ e(A, L_{\text{rw}}) = 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ を導出し、退化するケースを除外する。
• スペクトルクラスタリングの結果における行列表現ごとの差を可視化し、スペクトルの乖離が実用的影響を及ぼす様子を示す。
• 実社会ネットワークおよびモデルグラフにおいて上限を検証し、$ d_{\text{max}} \leq 5d_{\text{min}} $ の場合に一貫性を示すことを確認する。

実験結果

リサーチクエスチョン

• RQ1 異なるグラフ構造において、隣接行列とランダムウォーク正規化ラプラシアン行列の固有値はどのように比較できるか？
• RQ2 隣接行列と $ L_{\text{rw}} $ 間の固有値差に可能な限りタイトな上限は何か？また、グラフの次数不均一性にどのように依存するか？
• RQ3 どのような条件下で、異なる行列表現がグラフ信号処理における一貫したスペクトル推論をもたらすか？
• RQ4 次数差 $ d_{\text{max}} - d_{\text{min}} $ は、スペクトルクラスタリングやその他のアルゴリズムの信頼性にどのように影響するか？
• RQ5 アフィン変換は、異なるグラフ行列からのスペクトル比較を可能にしつつ、正規化固有ギャップを保持できるか？

主な発見

• 隣接行列 $ A $ とランダムウォーク正規化ラプラシアン $ L_{\text{rw}} $ 間の固有値差の上限は $ 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ であり、これはタイトで、$ d_{\text{max}} \leq 5d_{\text{min}} $ の場合に有効である。
• $ d_{\text{max}} > 5d_{\text{min}} $ の場合、最小上限値は2であるが、これは退化した変換に対応し、非可逆であるため除外される。
• $ d_{\text{max}} = d_{\text{min}} $ の $ d $-正則グラフでは、上限は0に簡略化され、表現間でのスペクトルの一貫性が確認される。
• $ d_{\text{max}} - d_{\text{min}} $ が大きいと、行列表現ごとのスペクトルクラスタリング結果に顕著な差が生じ、推論の一貫性が失われることを示している。
• 上限は $ d_{\text{max}} \leq 5d_{\text{min}} $ の範囲で最もタイトであり、この領域では上限が $ 3\frac{d_{\text{max}} - d_{\text{min}}}{d_{\text{max}} + d_{\text{min}}} $ となり、2以下である。
• 解析により、行列表現間での一貫した推論が保証されるのは、次数極端差が小さい場合に限ることが示された。