[论文解读] ELRUNA : Elimination Rule-based Network Alignment

Zirou Qiu, Ruslan Shaydulin+4 more|arXiv (Cornell University)|Jan 1, 2019

Complex Network Analysis Techniques参考文献 34被引用 2

一句话总结

ELRUNA 是一种新颖的基于规则的网络对齐算法，仅利用图结构通过消除规则迭代计算顶点相似性，避免依赖于先验相似性矩阵。它在运行时间更短、对噪声更鲁棒的前提下实现了最先进水平的对齐准确率，同时 RAWSEM——一种基于随机游走的局部搜索选择方法——显著减少了迭代次数并提高了后处理效率。

ABSTRACT

Networks model a variety of complex phenomena across different domains. In many applications, one of the most essential tasks is to align two or more networks to infer the similarities between cross-network vertices and discover potential node-level correspondence. In this paper, we propose ELRUNA (Elimination rule-based network alignment), a novel network alignment algorithm that relies exclusively on the underlying graph structure. Under the guidance of the elimination rules that we defined, ELRUNA computes the similarity between a pair of cross-network vertices iteratively by accumulating the similarities between their selected neighbors. The resulting cross-network similarity matrix is then used to infer a permutation matrix that encodes the final alignment of cross-network vertices. In addition to the novel alignment algorithm, we also improve the performance of local search, a commonly used post-processing step for solving the network alignment problem, by introducing a novel selection method RAWSEM (Randomwalk based selection method) based on the propagation of the levels of mismatching (defined in the paper) of vertices across the networks. The key idea is to pass on the initial levels of mismatching of vertices throughout the entire network in a random-walk fashion. Through extensive numerical experiments on real networks, we demonstrate that ELRUNA significantly outperforms the state-of-the-art alignment methods in terms of alignment accuracy under lower or comparable running time. Moreover, ELRUNA is robust to network perturbations such that it can maintain a close to optimal objective value under a high level of noise added to the original networks. Finally, the proposed RAWSEM can further improve the alignment quality with a less number of iterations compared with the naive local search method.

研究动机与目标

• 开发一种仅依赖图结构的网络对齐方法，避免对先验相似性矩阵的依赖。
• 通过引入消除规则，解决现有方法中因高阶度节点导致的相似性稀释问题。
• 提升网络对齐中局部搜索后处理的效率与效果。
• 增强在如噪声等网络扰动下的对齐鲁棒性。
• 设计一种选择机制，通过随机游走传播不匹配信息，加速局部搜索的收敛。

提出的方法

• ELRUNA 通过基于用户定义的消除规则选择邻居并累积其相似性，迭代计算跨网络顶点的相似性。
• 消除规则优先选择结构一致性更高的邻居对，从而降低噪声或不相似连接的影响。
• 通过迭代传播构建相似性矩阵，其中每个顶点的相似性根据其邻居的相似性得分进行更新。
• RAWSEM 引入一种基于随机游走的选择机制，通过在网络中传播初始不匹配信号来引导局部搜索。
• 最终对齐结果通过在相似性矩阵上进行最大权匹配推断出的置换矩阵获得。
• 与朴素局部搜索相比，使用 RAWSEM 进行后处理可显著减少达到高质量解所需的迭代次数。

实验结果

研究问题

• RQ1 能否设计一种网络对齐方法，在不依赖先验相似性矩阵或领域特定信息的前提下实现高准确率？
• RQ2 在迭代式网络对齐中，如何缓解高阶度节点导致的相似性稀释问题？
• RQ3 基于随机游走的选择策略能否提升网络对齐中局部搜索的效率？
• RQ4 所提出方法在高程度网络噪声或扰动下的表现如何？
• RQ5 RAWSEM 在多大程度上能减少局部搜索的迭代次数，同时提升对齐质量？

主要发现

• ELRUNA 在真实网络上的对齐准确率优于最先进方法，且运行时间更低或相当。
• 即使在 60% 噪声下，ELRUNA 仍能保持接近最优的目标值（EC 和 S3），表现出强大的鲁棒性。
• 与基线方法相比，RAWSEM 将局部搜索迭代次数最多减少 13 倍，且收敛速度更快。
• 在某些情况下，RAWSEM 的收敛速度比基线局部搜索快达 13 倍，平均运行时间从超过 6 秒降低至 0.3 秒以下。
• 在后处理中，RAWSEM 在真实网络上将 EC 提升最多达 5.72%，S3 提升最多达 10.08%，优于基线局部搜索。
• 该方法在包括生物、社交和合作网络在内的多种网络类型中均表现出一致的性能提升。