[论文解读] Graph reduction with spectral and cut guarantees

Andreas Loukas|arXiv (Cornell University)|Aug 31, 2018

Sparse and Compressive Sensing Techniques参考文献 56被引用 7

一句话总结

本文提出了一种基于受限谱近似的新型图粗化框架，通过保留原始图拉普拉斯矩阵的特征子空间，确保了强大的谱和割集保证。所提出的局部变异算法在谱近似方面显著优于最先进方法——最佳提升达3.9倍——同时保持近乎线性时间复杂度，从而实现了机器学习与图处理流水线中高效且可证明准确的图简化。

ABSTRACT

Can one reduce the size of a graph without significantly altering its basic properties? The graph reduction problem is hereby approached from the perspective of restricted spectral approximation, a modification of the spectral similarity measure used for graph sparsification. This choice is motivated by the observation that restricted approximation carries strong spectral and cut guarantees, and that it implies approximation results for unsupervised learning problems relying on spectral embeddings. The paper then focuses on coarsening---the most common type of graph reduction. Sufficient conditions are derived for a small graph to approximate a larger one in the sense of restricted similarity. These findings give rise to nearly-linear algorithms that, compared to both standard and advanced graph reduction methods, find coarse graphs of improved quality, often by a large margin, without sacrificing speed.

研究动机与目标

• 为解决现有图简化方法在粗化方面缺乏严格理论保证的问题。
• 提出一种系统化的图粗化方法，以保留原始图的关键谱和结构特性。
• 通过一种新型受限谱相似性度量，提供谱近似和割集保持的可证明界。
• 设计高效、近乎线性时间的算法，使其在实践中优于标准和先进的粗化技术。
• 弥合直观图简化启发式方法与理论基础的近似保证之间的差距。

提出的方法

• 提出受限谱近似——谱相似性的一种子空间受限变体——作为图简化的新型度量，确保强大的谱和割集保证。
• 推导出粗图在受限谱意义下近似原始图的充分条件，适用于任意粗化层级数量。
• 引入局部变异算法，通过基于局部谱变异的贪心策略选择收缩集合，以最小化与原始图特征子空间的偏差。
• 利用基于邻域或基于边的构造方式高效计算局部变异代价，实现近乎线性时间复杂度。
• 将全局近似界分解为局部、每收缩集合的贡献，实现可扩展且模块化的计算。
• 在预定义的候选收缩集合（如相邻顶点对）上采用贪心策略，构建具有可证明近似质量的粗图。

实验结果

研究问题

• RQ1 能否通过修改的谱相似性度量，将图粗化形式化为具备可证明谱和割集保证的方法？
• RQ2 在任意粗化层级数量下，何种条件可确保粗图在受限谱意义下近似原始图？
• RQ3 如何设计高效、近乎线性时间的算法，以实现高质量粗化并具备理论保证？
• RQ4 所提方法在谱近似和割集保持方面，相较于现有最先进粗化技术的性能提升程度如何？
• RQ5 受限谱近似能否被利用以确保在谱聚类和拉普拉斯特征映射等下游任务中的良好性能？

主要发现

• 在平均情况下，局部变异算法在谱近似方面比领先的最先进粗化方法提升高达3.9倍，尤其在高简化比率（r = 70%）时表现显著。
• 即使在70%的简化比率下，特征值误差仍保持可接受水平，表明在大幅减小图规模的同时仍具有强大的谱保持能力。
• 所提方法保持近乎线性时间复杂度，执行时间与边数呈准线性增长，效率优于更复杂的替代方案。
• 在谱近似和矩阵近似实验中，方法的排名保持一致，证实了局部变异方法的稳健性。
• 受限谱近似的理论界具有局部可分性，可通过每收缩集合的分析实现高效计算。
• 结果证实，最小化局部变异可实现强谱近似，验证了理论框架的有效性。