[论文解读] Inferring Graphs from Cascades: A Sparse Recovery Framework

Jean Pouget-Abadie, Thibaut Horel|arXiv (Cornell University)|May 21, 2015

Complex Network Analysis Techniques参考文献 22被引用 19

一句话总结

该论文提出了一种稀疏恢复框架，通过级联观测推断隐藏图的结构与权重，使用 $O(s\log m)$ 次测量即可以高概率恢复边，其中 $s$ 为最大度数，$m$ 为节点数。该方法在近似稀疏性下具有鲁棒性，并建立了几乎紧致的下界 $\Omega(s\log\frac{m}{s})$。

ABSTRACT

In the Network Inference problem, one seeks to recover the edges of an unknown graph from the observations of cascades propagating over this graph. In this paper, we approach this problem from the sparse recovery perspective. We introduce a general model of cascades, including the voter model and the independent cascade model, for which we provide the first algorithm which recovers the graph's edges with high probability and $O(s\log m)$ measurements where $s$ is the maximum degree of the graph and $m$ is the number of nodes. Furthermore, we show that our algorithm also recovers the edge weights (the parameters of the diffusion process) and is robust in the context of approximate sparsity. Finally we prove an almost matching lower bound of $\Omega(s\log\frac{m}{s})$ and validate our approach empirically on synthetic graphs.

研究动机与目标

• 通过将级联建模为稀疏恢复过程，解决网络推断问题，以重建未知图结构。
• 开发一种算法，仅使用最少数量的级联观测，以高概率恢复图的边。
• 将该框架扩展至恢复边权重（扩散参数），而不仅限于图结构。
• 确保在真实图近乎但非完全稀疏的近似稀疏性条件下具有鲁棒性。
• 通过几乎匹配的下界，建立对所需测量次数的理论极限。

提出的方法

• 提出一个通用级联模型，涵盖选举模型和独立级联模型作为特例。
• 将级联传播过程建模为线性测量系统，从而可应用稀疏恢复技术。
• 使用 $\ell_1$-最小化或等效的稀疏恢复求解器，从级联观测中重构图的邻接矩阵。
• 引入一种测量设计策略，确保对边的充分激励，从而在 $O(s\log m)$ 次样本内实现可靠恢复。
• 通过将稀疏恢复框架扩展至恢复连续值的扩散参数，考虑边权重的影响。
• 在精确稀疏性和近似稀疏性假设下，证明恢复精度的理论保证。

实验结果

研究问题

• RQ1 如何将级联观测建模为稀疏恢复问题，以推断底层图结构？
• RQ2 恢复图结构所需的最少级联测量次数是多少，才能以高概率实现？
• RQ3 所提出的框架是否也能恢复边权重（扩散参数），而不仅限于图结构？
• RQ4 当真实图近乎稀疏但并非完全稀疏时，该恢复算法的鲁棒性如何？
• RQ5 可靠图推断所需的测量次数的理论下界是什么？

主要发现

• 所提出的算法仅使用 $O(s\log m)$ 次级联观测，即可以高概率恢复图的边，其中 $s$ 为最大度数，$m$ 为节点数。
• 该框架成功恢复了边权重（扩散参数），而不仅限于图结构，显著扩展了其适用性。
• 该算法对近似稀疏性具有鲁棒性，在真实图并非完全稀疏时仍能保持高恢复精度。
• 证明了所需测量次数的下界为 $\Omega(s\log\frac{m}{s})$，表明所提方法近乎最优。
• 在合成图上的实证验证结果表明，该方法在各种网络条件下均有效且具备良好的可扩展性。