[论文解读] A Survey and Taxonomy of Graph Sampling

Pili Hu, Wing Cheong Lau|arXiv (Cornell University)|Aug 23, 2013

Complex Network Analysis Techniques参考文献 54被引用 126

一句话总结

本综述提出了一种图采样技术的全面分类法，根据采样目标、网络类型以及采样方法（如顶点、边和基于遍历的采样）进行分类。系统分析了在不同采样方法下哪些图属性——如度分布、模块度和导出率——能够被保留，为高效图分析和算法加速提供了理论基础和实践指导。

ABSTRACT

Connectivity is one of the important fundamental structural properties of graphs, and a graph drawing D should faithfully represent the connectivity structure of the underlying graph G. This paper investigates connectivity-faithful graph drawing leveraging the famous Nagamochi-Ibaraki (NI) algorithm, which computes a sparsification G_NI, preserving the k-connectivity of a k-connected graph G. Specifically, we first present CFNI, a divide-and-conquer algorithm, which computes a sparsification G_CFNI, which preserves the global k-connectivity of a graph G and the local h-connectivity of the h-connected components of G. We then present CFGD, a connectivity-faithful graph drawing algorithm based on CFNI, which faithfully displays the global and local connectivity structure of G. Extensive experiments demonstrate that CFNI outperforms NI with 66% improvement in the connectivity-related sampling quality metrics and 73% improvement in proxy quality metrics. Consequently, CFGD outperforms a naive application of NI for graph drawing, in particular with 62% improvement in stress metrics. Moreover, CFGD runs 51% faster than drawing the whole graph G, with a similar quality.

研究动机与目标

• 基于采样目标、网络类型和采样方法，建立图采样方法的统一分类体系。
• 识别在不同采样技术下哪些图属性能够被保留，从而实现在采样图上的可靠估计。
• 通过形式化采样方法与属性保留之间关系，弥合理论分析与实际实现之间的鸿沟。
• 揭示现有研究中的空白，并倡导建立系统化、中立的图采样评估框架。
• 通过利用采样图中保留的属性，为加速图算法提供基础。

提出的方法

• 将图采样划分为三个维度：采样目标（如规模缩减、探索）、网络类型（如社交网络、网页图）和采样方法（顶点、边、基于遍历的采样）。
• 提出一个通用框架，将理论采样属性与实际实现联系起来。
• 分析了10种基于遍历的采样方法，包括BFS、随机游走、Metropolis-Hastings和森林火灾，形式化地建立了它们之间的关系。
• 将图属性分类为经典属性（如度、密度）、高级属性（如导出率、模块度）以及距离度量，用于比较。
• 应用概率论与谱图理论，推导出关于属性保留的理论结果，例如平均度和网络规模的无偏估计。
• 对现有理论结果进行扩展，特别是针对使用有效电阻和边强连通性的非均匀边采样。

实验结果

研究问题

• RQ1 在不同采样技术下，哪些图属性能够被保留，其条件是什么？
• RQ2 如何构建基于采样的估计器，以确保在大规模图分析中具备准确性和高效性？
• RQ3 在诸如随机游走与森林火灾等基于遍历的采样方法之间，理论与实践上的权衡是什么？
• RQ4 采样图在多大程度上能够保留结构属性，如模块度、导出率和割值？
• RQ5 如何设计系统化的评估框架，以公平比较不同图类型和属性下的采样算法？

主要发现

• 均匀顶点采样在期望下能保留平均度，但若不包含邻域信息，通常无法保留度分布。
• 通过收缩保留的边采样，在特定条件下能以高概率保留最小割值，从而实现对最稀疏割的准确估计。
• Metropolis-Hastings随机游走可确保平稳分布为均匀分布，因此适用于图属性的无偏采样。
• 使用有效电阻的非均匀边采样可准确估计二次型和谱属性。
• 基于遍历的方法（如BFS和随机游走）在估计网络规模和度分布时可能引入偏差，尤其在无标度网络中更为明显。
• 理论结果表明，某些采样方法（如MIRW和MDRW）相比简单随机游走，能改善混合性并降低属性估计的方差。