[论文解读] Diffusion Operator and Spectral Analysis for Directed Hypergraph Laplacian

T-H. Hubert Chan, Zhihao Gavin Tang+2 more|arXiv (Cornell University)|Nov 5, 2017

Graph theory and applications参考文献 17被引用 8

一句话总结

本文提出了一种针对有向超图的统一扩散过程框架，证明了存在明确定义的扩散动力学，并建立了有向超边扩张的类Cheeger不等式。此外，本文表明扩散算子是次梯度法的连续类比，从而在具有固定顶点的半监督学习中实现谱分析。

ABSTRACT

In spectral graph theory, the Cheeger's inequality gives upper and lower bounds of edge expansion in normal graphs in terms of the second eigenvalue of the graph's Laplacian operator. Recently this inequality has been extended to undirected hypergraphs and directed normal graphs via a non-linear operator associated with a diffusion process in the underlying graph. In this work, we develop a unifying framework for defining a diffusion operator on a directed hypergraph with stationary vertices, which is general enough for the following two applications. 1. Cheeger's inequality for directed hyperedge expansion. 2. Quadratic optimization with stationary vertices in the context of semi-supervised learning. Despite the crucial role of the diffusion process in spectral analysis, previous works have not formally established the existence of the corresponding diffusion processes. In this work, we give a proof framework that can indeed show that such diffusion processes are well-defined. In the first application, we use the spectral properties of the diffusion operator to achieve the Cheeger's inequality for directed hyperedge expansion. In the second application, the diffusion operator can be interpreted as giving a continuous analog to the subgradient method, which moves the feasible solution in discrete steps towards an optimal solution.

研究动机与目标

• 正式建立有向超图中扩散过程的存在性，此前的研究尚未严格确立这一点。
• 开发一个谱框架，通过扩散算子统一分析有向超边扩张。
• 利用扩散算子的谱性质，将Cheeger不等式推广至有向超图。
• 证明扩散算子在具有固定顶点的二次优化中，是次梯度法的连续类比。
• 将现有关于无向超图和有向普通图的结果推广至更广泛的有向超图类别。

提出的方法

• 在有向超图上引入一个扩散算子 $\mathcal{L}_\omega$，通过连续时间过程 $\frac{df}{dt} = -\mathcal{L}_\omega f$ 定义。
• 通过在时间 $t \in [0,1]$ 上对顶点排序进行连续细化，建立扩散过程的存在性。
• 利用贡献边界上的不变量，在细化过程中保持可行性，确保顶点获得其目标贡献。
• 在关键时间点 $t_0$ 当贡献边界变紧时，采用动态细化策略，通过分裂等价类来维持约束。
• 通过出边割和入边割定义有向超边扩张，其中 $\phi^+(S)$ 和 $\phi^-(S)$ 分别衡量两个方向的扩张。
• 利用扩散算子的谱性质，推导出对超边扩张的边界，推广了Cheeger不等式。

实验结果

研究问题

• RQ1 能否在有向超图中正式建立明确定义的扩散过程，尽管谱分析中已有先前假设？
• RQ2 如何利用扩散算子的谱性质，将Cheeger不等式推广至有向超图？
• RQ3 扩散算子与半监督学习中如次梯度法等优化方法之间存在何种关系？
• RQ4 扩散算子的谱性质如何与有向超边扩张的边扩张边界相关联？
• RQ5 该框架能否将无向超图和有向普通图的现有结果统一于单一谱模型之下？

主要发现

• 本文通过顶点排序的连续细化，证明了有向超图上存在明确定义的扩散过程。
• 建立了有向超边扩张的类Cheeger不等式，将扩散算子的第二特征值与扩张边界联系起来。
• 扩散算子提供了次梯度法的连续类比，从而在具有固定顶点的二次优化中实现谱分析。
• 该框架将先前关于无向超图和有向普通图的结果推广至更广泛的有向超图类别。
• 细化过程中的贡献边界确保所有顶点均获得其所需贡献，从而在整个构造过程中保持可行性。