[论文解读] An iterative step-function estimator for graphons

Diana Cai, Nathanael Ackerman+1 more|arXiv (Cornell University)|Dec 5, 2014

Graph theory and applications参考文献 11被引用 8

一句话总结

该论文提出了一种用于图函数的迭代阶梯函数估计器（ISFE），通过基于前一 Partition 中各类别的边密度迭代聚类节点来细化顶点划分。ISFE 改进了切割距离的近似，实现了在两步随机块模型中的高精度顶点分类，并在结构假设最少的前提下，在块状结构和连续图函数上均优于基线方法。

ABSTRACT

Exchangeable graphs arise via a sampling procedure from measurable functions known as graphons. A natural estimation problem is how well we can recover a graphon given a single graph sampled from it. One general framework for estimating a graphon uses step-functions obtained by partitioning the nodes of the graph according to some clustering algorithm. We propose an iterative step-function estimator (ISFE) that, given an initial partition, iteratively clusters nodes based on their edge densities with respect to the previous iteration's partition. We analyze ISFE and demonstrate its performance in comparison with other graphon estimation techniques.

研究动机与目标

• 开发一种计算上可行的图函数估计方法，通过迭代细化顶点划分，改进现有阶梯函数估计器。
• 解决在交换性随机图背景下，生成高质量图函数估计的聚类算法挑战。
• 展示 ISFE 在图大小增加时，能够正确分类越来越多的顶点，适用于两步随机块模型。
• 在真实网络和连续图函数上评估 ISFE 的性能，并与已建立的图函数估计技术进行比较。

提出的方法

• ISFE 从一个初始顶点划分开始，通常来自 k-means 等聚类算法。
• 在每次迭代中，根据节点与前一划分中各类别的平均边密度重新划分节点。
• 该方法使用基于优化后划分的类似直方图的阶梯函数估计器，类别之间的边密度构成阶梯函数的取值。
• 迭代过程旨在最小化估计的阶梯函数与真实底层图函数之间的切割距离。
• 对 ISFE 的一种变体在两步随机块模型上进行了理论分析，结果表明当 n 和 k 增大时，其收敛至高精度分类。
• 实验评估使用了真实世界数据集（NIPS、ca-AstroPh、Epinions），并通过在更密集的子图中分析以缓解稀疏性问题。

实验结果

研究问题

• RQ1 迭代细化顶点划分是否能提升图函数估计在切割距离上的表现？
• RQ2 随着图大小和类别数的增加，ISFE 在两步随机块模型中对顶点的分类效果如何？
• RQ3 ISFE 在连续图函数和真实网络上是否保持强性能，且无需强结构假设？
• RQ4 ISFE 与其他计算可行的图函数估计方法相比，在准确性和收敛速度方面表现如何？

主要发现

• 在两步随机块模型中，随着图大小 n 和类别数 k 增大，ISFE 以高概率正确分类任意大的顶点比例。
• 在适当的 ε 和 ξ 条件下，正确分类至少 τ′ 比例顶点的概率随 n → ∞ 和 k → ∞ 而趋近于 1。
• 即使初始化划分仅能正确分类恒定比例的顶点，ISFE 仍能实现高精度的顶点分类。
• 在真实世界数据集中，ISFE 有效恢复了更密集子图中的详细块结构，生成了可解释的阶梯函数估计。
• ISFE 在连续图函数上的表现与其它计算可行的图函数估计器相当，且对底层结构的假设更少。
• 该方法收敛迅速，且根据 ISFE 估计重新排列后的邻接矩阵具有视觉上的连贯性，表明其在社区检测方面表现有效。