[논문 리뷰] Finding Hidden Cliques of Size \sqrt{N/e} in Nearly Linear Time

Yash Deshpande, Andrea Montanari|arXiv (Cornell University)|2013. 04. 26.

Complexity and Algorithms in Graphs참고 문헌 27인용 수 26

한 줄 요약

이 논문은 에르되시-레니 무작위 그래프에서 간선 확률이 $1/2$일 때, 크기가 $(1+ε)√{N/e}$인 숨겨진 클리크를 거의 선형 시간 내에 탐지하는 알고리즘을 제시한다. 이는 $\sqrt{N}$ 이하에서 실패하는 스펙트럴 방법보다 개선된 결과를 얻는다. 이 방법은 국소적으로 나무 구조를 띠는 구조에서 믿음 전파(Belief Propagation)를 활용하며, 큰 둘레를 가진 정규 그래프로 일반화되어, 그래프의 차수에 대한 클리크 크기 기반으로 정확한 탐지 임계값을 설정한다.

ABSTRACT

Consider an Erdös-Renyi random graph in which each edge is present independently with probability 1/2, except for a subset $\sC_N$ of the vertices that form a clique (a completely connected subgraph). We consider the problem of identifying the clique, given a realization of such a random graph. The best known algorithm provably finds the clique in linear time with high probability, provided $|\sC_N|\ge 1.261\sqrt{N}$ \cite{dekel2011finding}. Spectral methods can be shown to fail on cliques smaller than $\sqrt{N}$. In this paper we describe a nearly linear time algorithm that succeeds with high probability for $|\sC_N|\ge (1+\eps)\sqrt{N/e}$ for any $\eps>0$. This is the first algorithm that provably improves over spectral methods. We further generalize the hidden clique problem to other background graphs (the standard case corresponding to the complete graph on $N$ vertices). For large girth regular graphs of degree $(Δ+1)$ we prove that `local' algorithms succeed if $|\sC_N|\ge (1+\eps)N/\sqrt{eΔ}$ and fail if $|\sC_N|\le(1-\eps)N/\sqrt{eΔ}$.

연구 동기 및 목표

• 클리크 크기가 $\sqrt{N}$ 이하인 스펙트럴 임계값 이하일 때도 증명 가능하게 효율적인 알고리즘을 개발하여 무작위 그래프에서 숨겨진 클리크를 탐지하는 것.
• 완전 그래프를 초월해 일반 배경 그래프, 특히 큰 둘레를 가진 정규 그래프로 숨겨진 클리크 문제를 확장하는 것.
• 지역 알고리즘(예: 믿음 전파)을 사용하여 숨겨진 집합의 탐지 가능성에 대한 날카로운 임계값을 설정하는 것.
• 국소적으로 나무 구조를 띠는 그래프에서 믿음 전파가 최적의 성능을 달성하고, 탐지에 필요한 클리크 크기의 날카로운 하한을 제공하는 것.

제안 방법

• 저자는 그래프의 정점들에 대한 $t$-근접 이웃 구역에서 믿음 전파(BP)를 사용하며, 큰 $N$에 대해 이웃 구조가 국소적으로 나무 구조를 띠는 것으로 가정한다.
• 숨겨진 클리크 탐지 문제를 나무 구조의 그래픽 모델에서 통계적 추론 문제로 모델링하며, 노드 레이블 $X_i$는 숨겨진 집합에의 소속 여부를 나타낸다.
• 알고리즘은 BP를 사용하여 후행 확률 밀도 $\mathbb{P}(X_i=1 \mid W_{\text{Ball}(i;t)})$를 계산하고, 이를 통해 숨겨진 클리크를 추정한다.
• 분석은 나무 구조에서 믿음 전파의 메시지 전달 동역학이 진짜 후행 확률에 수렴함을 바탕으로 하며, 재귀적 모멘트 분석을 통해 오차 한계를 도출한다.
• 이 방법은 둘레가 큰 $\Delta$-정규 그래프로 일반화되며, 탐지 임계값은 $N/\sqrt{e\Delta}$ 비례하여 스케일링된다.
• 핵심 기술적 요소로는 스펙트럴 성질을 분석하고 BP 성능와 연관시키기 위해 정규화된 지시자 벡터 $e_{{\sf C}_N} = u_{{\sf C}_N}/N^{1/4}$를 사용하는 것이다.

실험 결과

연구 질문

• RQ1 스펙트럴 방법이 실패하는 $\sqrt{N}$ 이하의 크기의 숨겨진 클리크를 다항식 시간 알고리즘이 탐지할 수 있는가?
• RQ2 믿음 전파와 같은 지역 알고리즘이 높은 확률로 성공하기 위해 필요한 최소 클리크 크기 $|{\sf C}_N|$는 얼마인가?
• RQ3 배경 그래프의 구조, 특히 둘레와 차수는 숨겨진 클리크의 탐지 임계값에 어떤 영향을 미치는가?
• RQ4 국소적으로 나무 구조를 띠는 그래프에서 믿음 전파가 숨겨진 집합 탐지에 최적인지, 그리고 정보 이론적 한계에 도달할 수 있는가?

주요 결과

• 제안된 알고리즘은 거의 선형 시간 내에 높은 확률로 크기가 $(1+\varepsilon)\sqrt{N/e}$인 숨겨진 클리크를 탐지하며, 이는 이전 알고리즘의 $1.261\sqrt{N}$ 임계값을 초월한다.
• $\Delta$-정규 그래프에서 둘레가 큰 경우, 알고리즘이 $|{\sf C}_N| \geq (1+\varepsilon)N/\sqrt{e\Delta}$일 때 성공하고 $|{\sf C}_N| \leq (1-\varepsilon)N/\sqrt{e\Delta}$일 때는 실패함을 보여, 날카로운 임계값을 설정한다.
• 믿음 전파 알고리즘은 국소적으로 나무 구조를 띠는 그래프에서 최적의 탐지 임계값을 달성하며, 이 임계값 이하에서는 어떤 지역 알고리즘도 성공할 수 없다.
• 분석 결과 스펙트럴 방법은 크기가 $(1-\varepsilon)\sqrt{N}$ 이하인 클리크에 대해서는 성공할 수 없으며, 이는 정보 이론적 한계를 확인한다.
• 결과는 모델 변형에 대해 강건하다: ${\sf C}_N$에 대한 i.i.d. 모델과 균일 집합 모델은 대규모 $N$ 근처에서 동일한 탐지 임계값을 제공한다.