[论文解读] A Unifying Framework for Spectrum-Preserving Graph Sparsification and Coarsening

Gecia Bravo-Hermsdorff, Lee M. Gunderson|arXiv (Cornell University)|Feb 26, 2019

Complex Network Analysis Techniques被引用 20

一句话总结

本文提出了一种统一的概率框架，通过保留拉普拉斯伪逆 L† 实现图的联合稀疏化与粗化，使边删除与边收缩在零权重和无穷权重极限下成为对偶操作。该方法采用无偏且方差最小化的采样过程，在真实世界和合成数据集上均优于现有算法，能更有效地保留图的大规模结构特征。

ABSTRACT

How might one "reduce" a graph? That is, generate a smaller graph that preserves the global structure at the expense of discarding local details? There has been extensive work on both graph sparsification (removing edges) and graph coarsening (merging nodes, often by edge contraction); however, these operations are currently treated separately. Interestingly, for a planar graph, edge deletion corresponds to edge contraction in its planar dual (and more generally, for a graphical matroid and its dual). Moreover, with respect to the dynamics induced by the graph Laplacian (e.g., diffusion), deletion and contraction are physical manifestations of two reciprocal limits: edge weights of $0$ and $\infty$, respectively. In this work, we provide a unifying framework that captures both of these operations, allowing one to simultaneously sparsify and coarsen a graph while preserving its large-scale structure. The limit of infinite edge weight is rarely considered, as many classical notions of graph similarity diverge. However, its algebraic, geometric, and physical interpretations are reflected in the Laplacian pseudoinverse $\mathbf{\mathit{L}}^{\dagger}$, which remains finite in this limit. Motivated by this insight, we provide a probabilistic algorithm that reduces graphs while preserving $\mathbf{\mathit{L}}^{\dagger}$, using an unbiased procedure that minimizes its variance. We compare our algorithm with several existing sparsification and coarsening algorithms using real-world datasets, and demonstrate that it more accurately preserves the large-scale structure.

研究动机与目标

• 将图稀疏化（边删除）与粗化（通过边收缩合并节点）统一在一个代数框架下。
• 证明这两种操作在拉普拉斯伪逆 L† 的语境下分别对应于零权重和无穷权重的极限情况，且 L† 在这些极限下仍保持有限且有意义。
• 开发一种概率算法，同时减少图的规模并保留 L†，以确保大尺度结构的准确保留。
• 提出一种受双曲几何启发的更敏感的谱相似性度量，用于评估图简化质量。
• 通过实证验证该方法在真实世界和合成图上的稀疏化与粗化算法中表现，证明其在保留全局结构方面更优。

提出的方法

• 该框架将边删除（权重 → 0）与边收缩（权重 → ∞）视为图拟阵及其对偶中的对偶操作，二者均能保持拉普拉斯伪逆 L†。
• 基于拉普拉斯伪逆二次型 ⃗x⊤L†⃗x 构建单一代价函数，以指导同时进行的稀疏化与粗化。
• 算法采用基于有效电阻成比例的边选择概率规则，并调整以在最小方差下保持 L†。
• 采用无偏采样策略，确保简化后图的 L† 期望值与原始图一致，从而最小化估计误差。
• 该方法在统一的优化过程中支持边删除、收缩与重加权，实现灵活的图简化。
• 提出一种基于双曲空间庞加莱上半平面模型的新型谱相似性度量，以更准确捕捉简化图中的结构保真度。

实验结果

研究问题

• RQ1 能否通过拉普拉斯伪逆，正式统一边删除与边收缩操作？
• RQ2 在边权重趋于零和无穷的极限下，拉普拉斯伪逆 L† 如何表现？这对图简化有何含义？
• RQ3 能否设计一种单一的概率算法，同时实现稀疏化与粗化，且以低方差保持 L†？
• RQ4 所提出的基于双曲几何的谱相似性度量与标准度量相比，在评估图简化质量时表现如何？
• RQ5 所提方法是否比现有稀疏化与粗化算法更准确地保留图的大规模结构？

主要发现

• 所提算法在保留图的大规模结构方面优于现有稀疏化与粗化方法，尤其在几何图与层次图中表现更优。
• 即使在边权重趋于无穷的极限下，拉普拉斯伪逆 L† 仍保持有限且定义良好，为通过收缩实现粗化提供了稳健的代数基础。
• 使用双曲距离度量评估时，该算法在多个数据集上表现出更低的平均误差，显示出对全局结构的优越保留能力。
• 该方法在拉普拉斯谱的下半部分表现出更优的谱相似性，体现在最低 k 个非平凡特征值的相对误差更小。
• 在粗化实验中，该方法在特征值上的平均相对误差显著低于 Loukas 等人 [55]，尤其在几何图上表现更优。
• 在时间演化社交网络与道路网络上的简化过程可视化显示，该算法成功保留了层次聚类与时间结构，超节点围绕紧密群体形成。