[논문 리뷰] Random Graph Matching in Geometric Models: the Case of Complete Graphs

Haoyu Wang, Yihong Wu외 2명|arXiv (Cornell University)|2022. 02. 22.

Markov Chains and Monte Carlo Methods인용 수 6

한 줄 요약

이 논문은 저차원 공간 내 상관된 가우시안 벡터에서 유도된 간선 가중치를 가진 완전 그래프에서 기하 모델 내 무작위 그래프 매칭을 연구한다. 제안된 근사 최대우도推定기(ML estimator)는 노이즈 수준 σ가 o(n⁻²/ᵈ)일 때 잠재 정점 대응관계를 완벽하게 복원하며, σ가 o(n⁻¹/ᵈ)일 때 거의 완벽한 복원을 달성한다. 이 임계값들이 d=o(log n)에서 내적 모델과 거리 모델 모두에 대해 정보론적으로 최적임을 증명한다.

ABSTRACT

This paper studies the problem of matching two complete graphs with edge weights correlated through latent geometries, extending a recent line of research on random graph matching with independent edge weights to geometric models. Specifically, given a random permutation $π^*$ on $[n]$ and $n$ iid pairs of correlated Gaussian vectors $\{X_{π^*(i)}, Y_i\}$ in $\mathbb{R}^d$ with noise parameter $σ$, the edge weights are given by $A_{ij}=κ(X_i,X_j)$ and $B_{ij}=κ(Y_i,Y_j)$ for some link function $κ$. The goal is to recover the hidden vertex correspondence $π^*$ based on the observation of $A$ and $B$. We focus on the dot-product model with $κ(x,y)=\langle x, y angle$ and Euclidean distance model with $κ(x,y)=\|x-y\|^2$, in the low-dimensional regime of $d=o(\log n)$ wherein the underlying geometric structures are most evident. We derive an approximate maximum likelihood estimator, which provably achieves, with high probability, perfect recovery of $π^*$ when $σ=o(n^{-2/d})$ and almost perfect recovery with a vanishing fraction of errors when $σ=o(n^{-1/d})$. Furthermore, these conditions are shown to be information-theoretically optimal even when the latent coordinates $\{X_i\}$ and $\{Y_i\}$ are observed, complementing the recent results of [DCK19] and [KNW22] in geometric models of the planted bipartite matching problem. As a side discovery, we show that the celebrated spectral algorithm of [Ume88] emerges as a further approximation to the maximum likelihood in the geometric model.

연구 동기 및 목표

• 독립 간선 모델에서의 무작위 그래프 매칭을 잠재 공간적 구조를 가진 기하 모델로 확장하기.
• 상관된 기하 그래프에서 숨겨진 정점 대응관계를 복원하는 데 있어 정보론적 한계 분석하기.
• 낮은 차원 기하 설정에서( d=o(log n)) 완벽 복원과 거의 완벽 복원을 위한 날카로운 임계값 설정하기.
• 스펙트럼 알고리즘 [Ume88]이 이 기하 프레임워크 내 최대우도의 자연스러운 근사로 나타남을 보여주기.

제안 방법

• 두 개의 완전 그래프가 잠재 가우시안 벡터에서 무작위 순열과 i.i.d. 노이즈를 통해 생성되는 상관 기하 모델을 수립한다.
• 두 핵심 모델을 고려한다: 내적 모델(A_ij = ⟨X_i,X_j⟩)과 제곱 거리 모델(A_ij = ||X_i−X_j||²).
• 관측된 간선 가중치에 기반해 숨겨진 순열 π*에 대한 근사 최대우도 추정기(MLE)를 유도한다.
• 이차모멘트 방법과 Paley-Zygmund 부등식을 적용하여 오류 확률의 하한을 구하고 복원 임계값을 도출한다.
• 모멘트 생성 함수 분석과 행렬 농도를 사용하여 대체 순열 하에서 우도 비율을 바ounds한다.
• 유한한 공분산 행렬을 가진 비등방성 가우시안 모델로 결과를 확장하여, 동일한 복원 임계값이 유지됨을 보인다.

실험 결과

연구 질문

• RQ1 상관 기하 무작위 그래프에서 잠재 정점 대응관계의 정보론적 최적 복원 한계는 무엇인가?
• RQ2 낮은 차원 영역에서 차원 d와 노이즈 수준 σ는 그래프 매칭 성능에 어떻게 영향을 미치는가?
• RQ3 스펙트럼 알고리즘 [Ume88]은 기하 그래프 매칭에서 최대우도의 자연스러운 근사로 해석될 수 있는가?
• RQ4 잠재 좌표가 등방성(즉, 단위 공분산이 아님)일 경우, i.i.d. 표준 정규 분포가 아닌 경우 복원 임계값은 어떻게 변화하는가?
• RQ5 완벽 또는 거의 완벽한 복원을 달성하기 위해 노이즈 수준 σ와 차원 d 사이의 최적 트레이드오프는 무엇인가?

주요 결과

• 제안된 근사 MLE는 내적 모델과 거리 모델 모두에서 σ=o(n⁻²/ᵈ)일 때 높은 확률로 잠재 순열 π*를 완벽하게 복원한다.
• 거의 완벽한 복원(에러 비율이 점점 줄어듦)의 경우, 임계값은 σ=o(n⁻¹/ᵈ)까지 확장되며, 이는 정보론적으로 최적임을 입증한다.
• 잠재 좌표 X_i와 Y_i가 관측될 경우에도 복원 임계값이 날카로워지며, 기하 설정 내 최적성 확인.
• 유명한 스펙트럼 알고리즘 [Ume88]이 이 기하 모델 내 최대우도 추정기의 추가적인 근사로 자연스럽게 나타남.
• 공분산 Σ≻cI인 비등방성 가우시안 모델로 결과를 확장하였으며, 스케일된 노이즈 매개변수 하에서 동일한 복원 임계값이 유지됨.
• 더 정밀한 모멘트 추정을 포함한 이차모멘트 분석은 이전 연구들([DCK19], [KNW22])보다 더 날카로운 바OUNDS를 제공한다.