[论文解读] Impossibility of Partial Recovery in the Graph Alignment Problem

Luca Ganassali, Laurent Massoulié+1 more|arXiv (Cornell University)|Feb 4, 2021

Graph Theory and Algorithms参考文献 20被引用 13

一句话总结

该论文在特定随机图模型下，通过矩方法分析与依赖图枚举，证明了图对齐问题中部分恢复的不可能性。研究发现，当边概率较低且排列为随机时，由于图对之间的结构不可区分性，任何算法都无法可靠地恢复真实对齐的恒定分数，即使是最小的非零比例也无法实现。

ABSTRACT

Random graph alignment refers to recovering the underlying vertex correspondence between two random graphs with correlated edges. This can be viewed as an average-case and noisy version of the well-known graph isomorphism problem. For the correlated Erdös-Rényi model, we prove an impossibility result for partial recovery in the sparse regime, with constant average degree and correlation, as well as a general bound on the maximal reachable overlap. Our bound is tight in the noiseless case (the graph isomorphism problem) and we conjecture that it is still tight with noise. Our proof technique relies on a careful application of the probabilistic method to build automorphisms between tree components of a subcritical Erdös-Rényi graph.

研究动机与目标

• 确定在随机图模型下，图对齐问题中是否可能实现部分恢复——即识别出非零比例的正确顶点映射。
• 利用泊松收敛与边依赖结构，分析多个排列下对齐指示器的多阶矩的渐近行为。
• 通过具有三种边类型的 p-部分依赖图（普通边、虚线边、加粗普通边）表征跨排列的重叠边约束的贡献。
• 建立具有特定结构约束的标记依赖图数量的紧致上界，以限制矩贡献的上界。
• 证明在给定模型假设下，期望多阶矩收敛于乘积形式，从而表明无法恢复任何非平凡的对齐。

提出的方法

• 使用下降阶乘矩方法分析多个排列下对齐指示器的联合分布。
• 将边颜色（原始边为蓝色，置换边为红色）建模为条件于共享边集 $\mathcal{S}$ 的独立伯努利试验，成功概率为 $ q = \frac{\lambda(1-s)}{n - \lambda s} $。
• 引入 p-部分依赖图以表示跨排列的边之间约束：普通边表示共享的原始边，虚线边表示共享的置换边，加粗普通边表示共同的固定边。
• 将依赖图的连通分量分类为孤立边 ($k_3$) 和长度为 2 的路径 ($k_4$)，并根据传递性及假设 (H3) 对其最大长度施加约束。
• 通过统计自由度并利用 (H1) 和 (H2) 中的排列约束，推导出给定 $ (k_1, k_2, k_3, k_4) $ 的标记依赖图数量的上界。
• 将矩上界与渐近分析相结合，证明多阶矩的主导项贡献为 $ \left( \frac{\lambda^2 (1-s)^2 (1 - c(\lambda s))^2}{2} \right)^{\ell_1 + \cdots + \ell_p} $，表明无法实现非平凡的恢复。

实验结果

研究问题

• RQ1 在给定的随机图模型下，图对齐问题中是否能恢复任何非平凡比例的真实顶点对齐？
• RQ2 多个排列下对齐指示器的多阶矩的渐近行为如何？
• RQ3 在原始图或置换图中共享的边约束如何影响对齐指示器的期望？
• RQ4 依赖图对矩展开中高贡献项数量施加了何种结构限制？
• RQ5 在何种条件下，矩收敛意味着部分恢复是不可能的？

主要发现

• 期望多阶矩 $ \mathbb{E}\left[\Delta(\sigma_1)^{\underline{\ell_1}} \cdots \Delta(\sigma_p)^{\underline{\ell_p}}\right] $ 随 $ n \to \infty $ 渐近收敛于 $ \left( \frac{\lambda^2 (1-s)^2 (1 - c(\lambda s))^2}{2} \right)^{\ell_1 + \cdots + \ell_p} $。
• 参数为 $ (k_1, k_2, k_3, k_4) $ 的标记依赖图数量的上界为包含 $ \binom{k_1 + k_2 + k_3 + k_4}{k_3 + k_4} |\mathcal{S}|^{\ell_1 + \cdots + \ell_p - (k_1 + k_2 + k_3 + 2k_4)} \times (n^{1+t})^{k_3} \times n^{t k_4} $ 的项，该表达式关于 $ n $ 为多项式。
• 每种依赖图配置的贡献被限制为 $ q^{2(\ell_1 + \cdots + \ell_p) - (k_1 + k_2 + 2k_3 + 4k_4)} $，其随 $ n^{-2(\ell_1 + \cdots + \ell_p) + (k_1 + k_2 + 2k_3 + 4k_4)} $ 衰减。
• 具有重叠约束的项的总数至多为 $ \binom{\ell_1 + \cdots + \ell_p}{2} \left( \frac{n^2}{2} \right)^{\ell_1 + \cdots + \ell_p - 1} $，与总项数相比为次主导项。
• 矩的下界渐近为 $ \left( \frac{(1 - c(\lambda s))^2 n^2}{2} \right)^{\ell_1 + \cdots + \ell_p} \times \left( \frac{\lambda(1-s)}{n} \right)^{2(\ell_1 + \cdots + \ell_p)} $，与主导项一致。
• 部分恢复的不可能性源于矩收敛的性质：在极限下，任何非平凡对齐都无法与随机噪声区分开来。