[论文解读] Curveball: a new generation of sampling algorithms for graphs with fixed degree sequence.

Corrie Jacobien Carstens, Annabell Berger+1 more|arXiv (Cornell University)|Sep 16, 2016

Advanced Graph Theory Research被引用 9

一句话总结

本文提出了 Curveball，一种新型的马尔可夫链蒙特卡洛算法家族，用于对具有固定度序列的简单无向图和有向图进行均匀随机采样。通过允许多个同时进行的边交换（交易），Curveball 相较于传统的切换模型显著加速了收敛速度，在实验中表现出数量级更快的混合速度。

ABSTRACT

The switching model is a Markov chain approach to sample graphs with fixed degree sequence uniformly at random. The recently invented Curveball algorithm for bipartite graphs applies several switches simultaneously (`trades'). Here, we introduce Curveball algorithms for simple (un)directed graphs which use single or simultaneous trades. We show experimentally that these algorithms converge magnitudes faster than the corresponding switching models.

研究动机与目标

• 解决传统基于切换的马尔可夫链方法在生成具有固定度序列的均匀随机图时收敛缓慢的问题。
• 开发一种可扩展且高效的采样框架，适用于无向图和有向图的简单图。
• 通过允许多个同时进行的边交换（交易）而非单次交换，提升收敛速度。
• 通过实证验证 Curveball 在混合时间与采样效率方面优于标准切换模型。

提出的方法

• Curveball 算法通过允许多个边的交易，将二分图的 Curveball 方法推广至一般简单图。
• 它使用一种交换操作，同时交换两对边，同时保持度序列不变，确保生成图的有效性。
• 该算法维护一个当前图状态，并通过随机执行交易来探索给定度序列下所有可能图的空间。
• 它采用马尔可夫链框架，其中每次交易对应一次转移，且链被设计为不可约且非周期性的。
• 该方法支持单次和同时交易，其中后者显著提升了混合速度。
• 该算法通过高效的数据显示结构实现，用于追踪可用交易并确保均匀采样。

实验结果

研究问题

• RQ1 Curveball 在采样具有固定度序列的图时，其收敛速度与传统切换模型相比如何？
• RQ2 同时交易（每步多个交换）是否能显著缩短图的马尔可夫链采样中的混合时间？
• RQ3 Curveball 在不同度序列和图类型下，其采样均匀性在多大程度上得以保持？
• RQ4 Curveball 的性能如何随图大小和度序列复杂性的增加而扩展？
• RQ5 交易规模（单次与同时）对马尔可夫链的遍历性和混合时间有何影响？

主要发现

• 在所有测试的图类型和度序列中，Curveball 的收敛速度比标准切换模型快了数量级。
• 使用同时交易可大幅减少达到图空间均匀分布所需的步数。
• Curveball 在具有固定度序列的无向图和有向图中均保持了均匀采样。
• 该算法能有效扩展至更大规模的图，且随着图规模增大，性能提升明显。
• 实证结果表明，即使在密集或度分布异质的图上，Curveball 所需的迭代次数也显著少于切换模型，即可实现快速混合。
• 该方法在多种度序列（包括幂律分布和正则分布）下均表现出鲁棒性。