[论文解读] Compressive Network Analysis

Xiaoye Jiang, Yuan Yao+2 more|arXiv (Cornell University)|Apr 24, 2011

Sparse and Compressive Sensing Techniques参考文献 32被引用 4

一句话总结

本文提出了一种新颖的压缩网络分析框架，将网络数据建模为字典中团（clique）的稀疏表示，利用齐次空间中的Radon基追踪实现严格且稳定的团检测。该框架建立了理论恢复条件，并开发了在噪声和稀疏性约束下对现实网络中重叠社区进行可证明保证识别的实际算法。

ABSTRACT

Modern data acquisition routinely produces massive amounts of network data. Though many methods and models have been proposed to analyze such data, the research of network data is largely disconnected with the classical theory of statistical learning and signal processing. In this paper, we present a new framework for modeling network data, which connects two seemingly different areas: network data analysis and compressed sensing. From a nonparametric perspective, we model an observed network using a large dictionary. In particular, we consider the network clique detection problem and show connections between our formulation with a new algebraic tool, namely Randon basis pursuit in homogeneous spaces. Such a connection allows us to identify rigorous recovery conditions for clique detection problems. Though this paper is mainly conceptual, we also develop practical approximation algorithms for solving empirical problems and demonstrate their usefulness on real-world datasets.

研究动机与目标

• 通过将压缩感知整合到网络建模中，弥合网络数据分析与经典统计学习/信号处理之间的差距。
• 解决在团高度重叠且传统聚类方法失效时检测网络中重叠社区的挑战。
• 开发一个理论基础坚实的框架，利用大规模团基字典中的稀疏表示，实现对网络团的精确且稳定的恢复。
• 通过在齐次空间中引入Radon基追踪，将压缩感知理论扩展至网络数据，作为团检测的自然代数工具。
• 为现实世界数据集提供实用的、多项式时间复杂度的近似算法，实现对经验团的鲁棒恢复。

提出的方法

• 将网络邻接矩阵表述为在团字典中稀疏的信号，从而实现类似压缩感知的恢复。
• 使用齐次空间中的Radon基追踪——具体而言，是k-集合（团）上的离散Radon变换——作为表示基，而非傅里叶基。
• 基于Radon基的结构，推导出新的理论条件，实现无噪声下的精确恢复以及在一致有界噪声下的稳定恢复。
• 应用基追踪（基追踪去噪）求解优化问题，在观测网络数据的线性约束下最小化系数的l1-范数。
• 开发一种正则化路径算法，通过调节稀疏性参数δ来检测最重要的团，从而实现对顶级团的稳健识别。
• 利用置换群对称性和齐次空间理论，对节点对上的双变量函数进行建模，并从高阶团结构中恢复低阶相互作用。

实验结果

研究问题

• RQ1 能否将网络团检测问题表述为一种压缩感知问题，利用大规模团字典中的稀疏表示？
• RQ2 在齐次空间中使用Radon基追踪时，精确或稳定恢复团的理论条件是什么？
• RQ3 与传统聚类方法相比，该框架在检测高团重叠情况下的重叠社区时表现如何？
• RQ4 该框架能否仅基于部分或噪声观测，稳健地识别现实网络中最具影响力的团？
• RQ5 与傅里叶基相比，Radon基在具有对称关系结构的网络数据中，能否实现更优的恢复效果？

主要发现

• 在自然条件下，该框架可实现无噪声下的精确团恢复，理论保证源自齐次空间中Radon基的结构。
• 在一致有界噪声下实现了稳定恢复，将压缩感知的适用范围扩展至具有测量不确定性的现实网络数据。
• 所提出的Radon基追踪方法在Jester数据集中成功识别出前5个笑话组，具有高度鲁棒性，在广泛范围的正则化参数δ ∈ [50, 130]内均一致检测到。
• 在社交网络分析中，该方法识别出两个主导且持久的团（例如{Kumar, Raghavan, Rajagopalan, Tomkins} 和 {Flake, Lawrence, Giles, Coetzee}），在多个聚类层级中均保持顶级排名，展现出对分层聚合的鲁棒性。
• 该框架在共著网络和引文网络中均优于标准聚类方法，能够检测出因团高度重叠而被传统方法遗漏的重叠社区。
• 基于正则化路径的多项式时间近似算法实现了高效的经验证团恢复，已在包括社交网络和基因调控网络在内的现实世界数据集上得到验证。