[論文レビュー] Network Representation Using Graph Root Distributions

Jing Lei|arXiv (Cornell University)|Feb 27, 2018

Complex Network Analysis Techniques参考文献 54被引用数 14

ひとこと要約

本稿は、グラフルート分布（GRD）を用いた交換可能なランダムグラフの新しいパrameterizationを導入する。ノードはクレイン空間内のランダムベクトルとして表現され、エッジ確率はそれらの内積によって定義される。主な貢献は、重み付きスペクトル埋め込みを介して、理論的裏付けと幾何的解釈可能性を持つ一貫した推定器を提供することであり、GRD間のウォッシャーティン距離がグラフサンプリング分布間のカット距離を上界で抑えることを示している。

ABSTRACT

Exchangeable random graphs serve as an important probabilistic framework for the statistical analysis of network data. In this work we develop an alternative parameterization for a large class of exchangeable random graphs, where the nodes are independent random vectors in a linear space equipped with an indefinite inner product, and the edge probability between two nodes equals the inner product of the corresponding node vectors. Therefore, the distribution of exchangeable random graphs in this subclass can be represented by a node sampling distribution on this linear space, which we call the graph root distribution. We study existence and identifiability of such representations, the topological relationship between the graph root distribution and the exchangeable random graph sampling distribution, and estimation of graph root distributions.

研究の動機と目的

• 交換可能なランダムグラフのための新しい幾何的解釈可能なパrameterizationを、クレイン空間内の潜在的ノードベクトルを用いて開発すること。
• 幅広いクラスの交換可能なランダムグラフを表すためのグラフルート分布（GRD）の存在と同定可能性を確立すること。
• GRD間のウォッシャーティン距離が、対応するグラフサンプリング分布間のカット距離を上界で抑えること。
• 重み付き切断スペクトル埋め込みを用いてGRDの一致推定器を提案すること。
• GRDフレームワークが理論的根拠とともにネットワークデータに顕著な幾何的構造を明らかにすること。

提案手法

• 交換可能なランダムグラフを、不定内積を備えた分離可能クレイン空間内のノードベクトルとして表現する。
• グラフンカーネル $W$ のスペクトル分解から得られるノードベクトルのサンプリング分布としてグラフルート分布（GRD）を構築する。
• 積分作用素 $W$ の平方根を用いて、$[0,1]$ 上の逆変換サンプリングを実行し、潜在的ノードベクトルを生成する。
• 特異値のしきい値処理を適用し、切断スペクトル埋め込みを絶対値固有値の平方根で重み付けすることでGRDを推定する。
• GRD間のウォッシャーティン距離が、グラフサンプリング分布間のカット距離を上界で抑えることを確立する。
• トリムド隣接行列と作用素ノルムの制御を含む、スペクトルグラフ理論およびグラフン推定の技術を適応する。

実験結果

リサーチクエスチョン

• RQ1 交換可能なランダムグラフは、エッジ確率が潜在的ノードベクトルの内積として定義されるクレイン空間上の確率分布によって表現可能か？
• RQ2 与えられた交換可能なランダムグラフに対して、グラフルート分布が存在し、同定可能となる条件は何か？
• RQ3 グラフルート分布間のウォッシャーティン距離と、対応するグラフサンプリング分布間のカット距離の関係は何か？
• RQ4 重み付き切断スペクトル埋め込みを用いた推定は、ネットワークサイズの増大に伴い、真のグラフルート分布に一貫して収束するか？
• RQ5 GRDフレームワークは、理論的保証とともにより意味のある幾何的構造を実際のネットワークデータに明らかにするか？

主な発見

• スペクトル分解によるグラフンカーネル $W$ の処理を通じて、広範なクラスの交換可能なランダムグラフに対してグラフルート分布（GRD）が存在し、同定可能であることが示された。
• 2つのGRD間のウォッシャーティン距離が、それに対応する交換可能なランダムグラフのサンプリング分布間のカット距離を上界で抑える。
• GRDの同値類間の距離を測るための修正ウォッシャーティン距離が導入され、上界性質を保持する。
• 固有値の平方根で重み付けされた重み付き切断隣接スペクトル埋め込みは、正則性条件の下で $n \to \infty$ のとき真のGRDにウォッシャーティン距離で収束する。
• GRD推定器は一貫しており、数値例を通じてネットワークデータに幾何的構造が明らかにされた。
• GRDフレームワークは、人口レベルの幾何的解釈可能な表現を備えたランダムドットプロダクトグラフモデルを理論的保証とともに拡張する。