[论文解读] Efficient random graph matching via degree profiles

Jian Ding, Zongming Ma+2 more|arXiv (Cornell University)|Nov 19, 2018

Graph Theory and Algorithms参考文献 54被引用 24

一句话总结

该论文提出了一种基于度分布统计的高效算法，用于随机图匹配，在平均度 d = Ω(log²n) 且边相关性 δ = O(log⁻²n) 时，可在 Õ(nd² + n²) 时间内实现对真实顶点对应关系的完美恢复。该方法利用邻居的度经验分布作为距离统计量，相较于先前工作，在显著更弱的相关性假设下实现了多项式时间恢复，适用于稀疏图和稠密图。

ABSTRACT

Random graph matching refers to recovering the underlying vertex correspondence between two random graphs with correlated edges; a prominent example is when the two random graphs are given by Erdős-Rényi graphs $G(n,\frac{d}{n})$. This can be viewed as an average-case and noisy version of the graph isomorphism problem. Under this model, the maximum likelihood estimator is equivalent to solving the intractable quadratic assignment problem. This work develops an $ ilde{O}(n d^2+n^2)$-time algorithm which perfectly recovers the true vertex correspondence with high probability, provided that the average degree is at least $d = Ω(\log^2 n)$ and the two graphs differ by at most $δ= O( \log^{-2}(n) )$ fraction of edges. For dense graphs and sparse graphs, this can be improved to $δ= O( \log^{-2/3}(n) )$ and $δ= O( \log^{-2}(d) )$ respectively, both in polynomial time. The methodology is based on appropriately chosen distance statistics of the degree profiles (empirical distribution of the degrees of neighbors). Before this work, the best known result achieves $δ=O(1)$ and $n^{o(1)} \leq d \leq n^c$ for some constant $c$ with an $n^{O(\log n)}$-time algorithm \cite{barak2018nearly} and $δ= ilde O((d/n)^4)$ and $d = ildeΩ(n^{4/5})$ with a polynomial-time algorithm \cite{dai2018performance}.

研究动机与目标

• 开发一种在高概率下实现多项式时间匹配相关 Erdős-Rényi 随机图的算法。
• 改进先前结果，后者需要超多项式时间或更强的相关性假设。
• 解决在噪声环境和平均情况图同构设置下恢复顶点对应关系的挑战。
• 在弱于以往已知条件的假设下，建立完美恢复的理论保证。

提出的方法

• 该算法使用度分布——即邻居度的经验分布——作为距离统计量，用于比较不同图中的顶点。
• 采用种子匹配策略，利用一小部分已知对应关系来启动恢复过程。
• 利用集中不等式和切尔诺夫界分析正确匹配与错误匹配之间的分离性。
• 结合局部度统计与全局一致性检查，以增强对噪声和错误的鲁棒性。
• 对于稠密图，将高阶顶点作为锚点以提高匹配精度。
• 对于稀疏图，基于邻居度分布进行迭代精化，以提升匹配精度。

实验结果

研究问题

• RQ1 我们能否在弱于先前工作的相关性假设下，实现多项式时间内的完美图匹配？
• RQ2 当平均度 d 为 n 的对数级别时，实现高效恢复所需的最小边相关性 δ 是多少？
• RQ3 与其它图特征相比，度分布统计在匹配中的区分能力如何？
• RQ4 种子匹配策略能否与度分布方法有效结合，以提高恢复阈值？
• RQ5 基于度的统计量在恢复相关随机图中潜在顶点排列方面的理论极限是什么？

主要发现

• 当 d = Ω(log²n) 且 δ = O(log⁻²n) 时，该算法在 Õ(nd² + n²) 时间内以高概率实现完美恢复。
• 对于稠密图，该方法将相关性阈值提升至 δ = O(log⁻²/³n)，同时保持多项式时间复杂度。
• 对于稀疏图，该方法在相同时间复杂度下实现 δ = O(log⁻²d)。
• 该算法优于先前工作，后者需要 n^{O(log n)} 时间或更强的相关性（δ = O(1））才能实现恢复。
• 理论分析证实，度分布统计量在所述条件下提供了足够的区分能力以实现精确恢复。
• 即使初始种子被敌意选择，该方法仍保持高概率恢复能力。