[论文解读] Consistent polynomial-time unseeded graph matching for Lipschitz graphons

Yuan Zhang|arXiv (Cornell University)|Jul 29, 2018

Complexity and Algorithms in Graphs参考文献 34被引用 3

一句话总结

该论文通过引入一种新颖的采样-匹配方案，将无种子图匹配问题转化为有种子问题，在Lipschitz图函数模型下提出了一种一致且时间复杂度为多项式的算法。该方法利用图函数估计与经验Wasserstein距离集中性，实现了理论一致性，为全秩图函数提供了首个可证明一致且高效的解决方案，突破了以往对低秩或块模型的限制。

ABSTRACT

We propose a consistent polynomial-time method for the unseeded node matching problem for networks with smooth underlying structures. Despite widely conjectured by the research community that the structured graph matching problem to be significantly easier than its worst case counterpart, well-known to be NP-hard, the statistical version of the problem has stood a challenge that resisted any solution both provable and polynomial-time. The closest existing work requires quasi-polynomial time. Our method is based on the latest advances in graphon estimation techniques and analysis on the concentration of empirical Wasserstein distances. Its core is a simple yet unconventional sampling-and-matching scheme that reduces the problem from unseeded to seeded. Our method allows flexible efficiencies, is convenient to analyze and potentially can be extended to more general settings. Our work enables a rich variety of subsequent estimations and inferences.

研究动机与目标

• 解决在一般网络结构下实现无种子图匹配中计算效率与统计一致性并存的长期挑战。
• 克服现有方法的局限性，这些方法或需准多项式时间，或受限于低秩或块模型假设。
• 在较弱结构假设下（特别是底层图函数满足Lipschitz连续性）开发一种可证明一致的方法，且不依赖参数模型限制。
• 通过提供可靠的节点对应关系，支持网络比较、变化点检测和联合参数估计等下游统计推断任务。

提出的方法

• 提出一种采样-匹配框架，通过从网络中随机选择种子节点，将无种子图匹配问题转化为有种子问题。
• 利用邻接矩阵的谱嵌入来估计底层图函数结构，结合图函数估计与经验Wasserstein距离集中性的最新进展。
• 在对两个网络的估计嵌入应用去噪步骤后，使用匈牙利算法进行匹配。
• 采用数据驱动的方法选择特征向量数量（秩），使其与 $ d \asymp \log n / \log \log n $ 成比例，以在估计精度与计算成本之间取得平衡。
• 引入两阶段程序：首先通过基于直方图的近似方法估计图函数，然后利用估计的结构指导节点匹配。
• 通过修改匹配步骤以对齐估计矩阵的行结构，将方法扩展至非对称网络（包括二分图和有向图）。

实验结果

研究问题

• RQ1 是否存在一种时间复杂度为多项式的算法，可在一般全秩图函数模型下实现无种子图匹配的统计一致性？
• RQ2 基于图函数估计与Wasserstein集中性的采样-匹配策略，是否能产生一致的节点对应？
• RQ3 该方法能否扩展至分段Lipschitz图函数及非二值、次高斯网络模型？
• RQ4 在二分图或有向图等非对称网络设置下，该方法表现如何？
• RQ5 在光滑性假设下，无种子图匹配中计算效率与估计误差之间的最优权衡是什么？

主要发现

• 所提方法在Lipschitz图函数模型下实现了节点匹配的一致性，且时间复杂度为多项式，解决了长期存在的开放问题。
• 当所用特征向量数量满足 $ d \asymp \log n / \log \log n $ 时，该方法可证明一致，确保估计匹配收敛至真实对应关系。
• 理论分析表明，误差率与在相同模型假设下矩阵估计的极小极大最优率一致。
• 即使真实图函数非低秩，该方法仍能实现一致估计，突破了以往谱方法仅适用于低秩群体的局限。
• 该方法可经少量修改扩展至二分图和有向图，且保持理论一致性。
• 该框架支持广泛的下游推断任务，包括网络比较、独立性检验以及多网络间的联合参数估计。