[论文解读] Latent Distance Estimation for Random Geometric Graphs

Ernesto Araya, Yohann de Castro|arXiv (Cornell University)|Sep 15, 2019

Topological and Geometric Data Analysis参考文献 23被引用 6

一句话总结

该论文提出了一种用于球面上随机几何图中潜在成对距离的谱估计器，利用球谐函数和特征值分解，实现了接近非参数估计速率（仅相差对数因子）的估计。该方法在不依赖链接函数先验知识的情况下，一致地估计潜在距离和潜在空间的维度。

ABSTRACT

Random geometric graphs are a popular choice for a latent points generative model for networks. Their definition is based on a sample of $n$ points $X_1,X_2,\cdots,X_n$ on the Euclidean sphere~$\mathbb{S}^{d-1}$ which represents the latent positions of nodes of the network. The connection probabilities between the nodes are determined by an unknown function (referred to as the "link" function) evaluated at the distance between the latent points. We introduce a spectral estimator of the pairwise distance between latent points and we prove that its rate of convergence is the same as the nonparametric estimation of a function on $\mathbb{S}^{d-1}$, up to a logarithmic factor. In addition, we provide an efficient spectral algorithm to compute this estimator without any knowledge on the nonparametric link function. As a byproduct, our method can also consistently estimate the dimension $d$ of the latent space.

研究动机与目标

• 估计随机几何图中节点间基于球面上测地距离的连接概率所决定的潜在成对距离。
• 开发一种无需已知未知链接函数的方法。
• 从单个图实现中一致估计潜在空间的维度 $ d $。
• 实现与在 $ \mathbb{S}^{d-1} $ 上的非参数函数估计相当的估计速率，仅相差对数因子。

提出的方法

• 该方法以观测图的邻接矩阵作为输入，通过谱分解估计潜在点的总体格拉姆矩阵。
• 其利用球谐函数的谱结构，其中特征函数固定，而特征值仅依赖于多项式次数和维度 $ d $。
• 通过改进的特征值阈值化程序构造一种新型谱估计器，以恢复潜在距离矩阵。
• 该算法采用基于评分的方法，具体为 $ \operatorname{Gap}_{1}(\hat{T}_n) $，从候选值中估计潜在维度 $ d $。
• 该方法对未知链接函数具有鲁棒性，且除维度候选集外无需其他调参。
• 该方法通过一种类似谱聚类的算法（HEiC）实现，可识别对应于潜在几何结构的特征子空间。

实验结果

研究问题

• RQ1 我们能否在不知道链接函数的情况下，一致估计球面上随机几何图中节点间的潜在成对距离？
• RQ2 此类潜在距离估计器的统计收敛速率是多少？
• RQ3 该方法是否也能从未观测到的单个图中恢复潜在空间的真实维度 $ d $？
• RQ4 球谐函数的谱结构如何在此模型中实现一致估计？
• RQ5 与在球面上的非参数函数估计相比，所提出的估计器是否达到最优速率？

主要发现

• 所提出的谱估计器实现了与在 $ \mathbb{S}^{d-1} $ 上的非参数函数估计相当的收敛速率，仅相差对数因子。
• 该方法通过基于评分的候选值选择，以高概率一致估计潜在维度 $ d $，在模型假设下成立。
• 实验结果表明，格拉姆矩阵估计器的均方误差随 $ n $ 增大而减小，验证了理论速率。
• 在 $ n=1000 $ 个节点的模拟中，该算法成功识别出真实维度 $ d=3 $，即使候选集包含至 $ d_{\text{max}}=15 $ 的值。
• 当链接函数未知时，该方法仍保持鲁棒性，且球面的谱结构使高效且一致的估计成为可能。
• 在假设谱间隙 $ \operatorname{Gap}_1(W) > 0 $ 成立的前提下，理论保证成立，确保潜在几何结构的可识别性。