[논문 리뷰] Online Dense Subgraph Discovery via Blurred-Graph Feedback

Yuko Kuroki, Atsushi Miyauchi외 2명|arXiv (Cornell University)|2020. 06. 24.

Advanced Graph Neural Networks인용 수 10

한 줄 요약

이 논문은 엣지 가중치의 개별 측정이 어려운 실세계 상황을 고려하여, 엣지 부분집합을 쿼리하고 그 가중치의 노이즈 있는 합을 관찰하는 '흐린 그래프 피드백' 환경에서의 밀도 높은 서브그래프 탐색을 위한 새로운 온라인 학습 프레임워크를 제안한다. 저자들은 이론적 최적성 보장을 갖춘 다항식 시간 알고리즘과 대규모 그래프에 적합한 확장 가능한 변형을 제안하며, 실제 데이터셋을 대상으로 한 계산 실험을 통해 그 효과성을 입증한다.

ABSTRACT

Dense subgraph discovery aims to find a dense component in edge-weighted graphs. This is a fundamental graph-mining task with a variety of applications and thus has received much attention recently. Although most existing methods assume that each individual edge weight is easily obtained, such an assumption is not necessarily valid in practice. In this paper, we introduce a novel learning problem for dense subgraph discovery in which a learner queries edge subsets rather than only single edges and observes a noisy sum of edge weights in a queried subset. For this problem, we first propose a polynomial-time algorithm that obtains a nearly-optimal solution with high probability. Moreover, to deal with large-sized graphs, we design a more scalable algorithm with a theoretical guarantee. Computational experiments using real-world graphs demonstrate the effectiveness of our algorithms.

연구 동기 및 목표

• 기존의 밀도 높은 서브그래프 탐색 방법들이 개별 엣지 가중치에 대한 완전한 액세스를 전제로 한다는 한계를 해결하기 위해.
• 실제 상황에서는 엣지 가중치를 개별적으로 측정하는 것이 비용이 많이 들거나 불가능하지만, 엣지 부분집합에 대한 집계된 합은 확보 가능한 상황을 모델링하기 위해.
• 쿼리된 부분집합 내 엣지 가중치의 노이즈 있는 합을 피드백으로 제공하는 새로운 학습 문제인 '밀도 높은 서브그래프 밴딧(DS bandits)'을 정의하기 위해.
• 이 새로운 피드백 모델 하에서 밀도가 가장 높은 서브그래프를 고확률으로 식별할 수 있는 알고리즘을 설계하기 위해.
• 이론적 성능 보장을 유지하면서도 대규모 그래프에 대해 확장 가능하도록 하기 위해.

제안 방법

• 학습자가 엣지 부분집합을 쿼리하고, 그들의 가중치 합의 노이즈 있는 값을 관찰하는 '흐린 그래프 피드백'을 특징으로 하는 새로운 학습 문제인 DS 밴딧을 제안한다.
• 스토하스틱 최적화와 신뢰구간을 활용하여 고확률로 거의 최적의 밀도 높은 서브그래프를 도출하는 다항식 시간 알고리즘을 설계한다.
• 대규모 그래프에서 계산 비용을 줄이면서도 이론적 보장을 유지하는 알고리즘의 확장 가능한 변형을 도입한다.
• 추정된 엣지 가중치로부터 밀도 높은 서브그래프를 계산하기 위해 차리카르의 LP 기반 정확 알고리즘을 서브루틴으로 활용한다.
• 엣지 가중치 관측의 불확실성을 다루기 위해 간격 추정을 활용한 강건 최적화 기법을 적용한다.
• 집중 불등식을 적용하여 추정 오차를 근사하고, 진짜로 가장 밀도 높은 서브그래프로의 수렴을 보장한다.

실험 결과

연구 질문

• RQ1 쿼리된 부분집합 내 엣지 가중치의 노이즈 있는 합만 관측 가능한 상황에서, 가장 밀도 높은 서브그래프를 고확률로 식별할 수 있는가?
• RQ2 이론적 성능 보장을 유지하면서도 흐린 그래프 피드백 환경에서 밀도 높은 서브그래프 탐색을 위한 확장 가능한 알고리즘을 어떻게 설계할 수 있는가?
• RQ3 엣지 가중치의 추정 정확도가 최종 밀도 높은 서브그래프의 품질에 어떤 영향을 미치는가?
• RQ4 쿼리 수와 반복 횟수는 실질적으로 최적 해로의 수렴에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 개별 엣지 가중치에 접근이 불가능하거나 비용이 많이 드는 상황에서 기존 표준 방법보다 뛰어난 성능을 보일 수 있는가?

주요 결과

• 제안된 알고리즘은 고확률로 최적 밀도의 절반에 가까운 밀도를 갖는 해를 도출하며, 작은 오차 항을 제외한 상태에서 이를 확보한다.
• 반복 횟수가 증가함에 따라 알고리즘이 거의 최적의 밀도 높은 서브그래프로 수렴하며, 해의 품질에 대한 변동이 최소한이다.
• 추정된 엣지 가중치가 시간이 지남에 따라 진짜 기대값에 수렴함을 보여주며, 기저의 엣지 가중치 분포를 신뢰성 있게 학습하고 있음을 시사한다.
• 확장 가능한 변형은 기존 기준 대비 계산 비용을 크게 줄였지만 대규모 그래프에서 뛰어난 성능을 유지한다.
• 실제 그래프 데이터셋을 대상으로 한 계산 실험을 통해, 노이즈가 섞인 집계 피드백 환경에서 제안된 알고리즘이 밀도 높은 서브그래프를 효과적으로 식별하고 있음을 확인하였다.
• 개별 엣지 가중치에 접근이 불가능하거나 비용이 많이 드는 상황에서, 제안된 방법은 표준 방법보다 뛰어난 성능을 보였다.