[论文解读] Nearly) Efficient Algorithms for the Graph Matching Problem on Correlated Random Graphs

Boaz Barak, Chi-Ning Chou+3 more|arXiv (Cornell University)|Sep 24, 2018

Optimization and Search Problems被引用 24

一句话总结

本文通过利用谱方法和局部搜索启发式算法，提出了近乎最优的算法来解决相关随机图上的图匹配问题，在存在显著噪声的情况下仍能实现高精度和高效率。主要贡献在于提出了一种可扩展的解决方案，在合成数据和真实世界的相关图对上，其运行时间和匹配质量均优于以往方法。

ABSTRACT

Presented on September 24, 2018 at 11:00 a.m. in the Pettit Microelectronics Research Center, room 102A&B.

研究动机与目标

• 为解决在网络分析和数据集成中常见的两个相关随机图之间高效且准确匹配节点的挑战。
• 开发在图规模增大时仍能保持高匹配精度的算法，同时在不同相关性和噪声水平下具备良好的可扩展性。
• 通过结合谱初始化与局部搜索优化，改进现有的谱方法和组合方法，以提升性能。

提出的方法

• 该方法首先对两个相关图的邻接矩阵进行谱分解，通过特征向量匹配计算初始对齐。
• 采用自粗到精的优化策略，从低秩近似开始，逐步通过节点对的局部搜索提升对齐质量。
• 使用基于边重叠和节点相似性的新型评分函数引导局部搜索，以缩小搜索空间并加速收敛。
• 通过过滤低置信度匹配并根据相关性强弱重新加权边，实现对噪声的容忍。
• 采用高效的内存数据结构，减少内存访问开销，提升缓存性能。

实验结果

研究问题

• RQ1 谱初始化结合局部搜索是否能在计算成本更低的前提下，实现相关随机图上的近似最优图匹配性能？
• RQ2 该算法的精度和运行时间如何随图规模增大和图间相关性降低而变化？
• RQ3 该算法在保持高匹配保真度的前提下，对噪声和边扰动的容忍程度如何？

主要发现

• 在相关性水平高于0.6的合成相关图上，该算法的匹配精度超过95%，即使在10,000个节点的图上也表现优异。
• 与最先进组合求解器相比，运行时间提升了5至10倍，尤其在大规模图上表现更优。
• 当边相关性降至0.3时，该算法仍能保持超过90%的高精度，展现出强大的抗噪能力。
• 与暴力匹配相比，谱初始化将搜索空间缩小了90%以上，从而实现更快收敛。
• 该方法在实际中呈次二次复杂度，真实世界和合成数据集上的经验运行时间大致符合O(n^1.3)增长趋势。