[论文解读] Online Dense Subgraph Discovery via Blurred-Graph Feedback
本文提出了一种新颖的在线学习框架，用于在模糊图反馈下发现密集子图，其中学习者查询边的子集并观察边权重的噪声和。作者提出了一种多项式时间算法，具有高概率最优性保证，并设计了一种适用于大规模图的可扩展变体，通过计算实验在真实世界数据集上验证了其有效性。
Dense subgraph discovery aims to find a dense component in edge-weighted graphs. This is a fundamental graph-mining task with a variety of applications and thus has received much attention recently. Although most existing methods assume that each individual edge weight is easily obtained, such an assumption is not necessarily valid in practice. In this paper, we introduce a novel learning problem for dense subgraph discovery in which a learner queries edge subsets rather than only single edges and observes a noisy sum of edge weights in a queried subset. For this problem, we first propose a polynomial-time algorithm that obtains a nearly-optimal solution with high probability. Moreover, to deal with large-sized graphs, we design a more scalable algorithm with a theoretical guarantee. Computational experiments using real-world graphs demonstrate the effectiveness of our algorithms.
研究动机与目标
- 为解决现有密集子图发现方法假设可完全访问单个边权重的局限性。
- 建模现实中边权重昂贵或无法单独测量，但可获取边子集上聚合和的情境。
- 提出一个新的学习问题——最密子图多臂赌博机（DS bandits），其中反馈以查询子集中边权重的噪声和形式提供。
- 设计算法，在此新颖反馈模型下以高概率识别最密集子图。
- 在保持理论性能保证的同时，确保对大规模图的可扩展性。
提出的方法
- 提出一种新的学习问题——DS bandits，学习者查询边的子集并观察其权重的噪声和——称为‘模糊图反馈’。
- 设计一种多项式时间算法，通过随机优化和置信度边界，以高概率实现近似最优的密集子图。
- 提出该算法的可扩展变体，在降低计算成本的同时保持理论保证。
- 利用Charikar的基于线性规划的精确算法作为子程序，从估计的边权重中计算密集子图。
- 使用鲁棒优化与区间估计处理边权重观测中的不确定性。
- 应用浓度不等式以限制估计误差，并确保收敛至真实的最密子图。
实验结果
研究问题
- RQ1当仅可观测到边权重子集的噪声和时，能否以高概率识别出最密集子图？
- RQ2如何设计一种在模糊图反馈下保持理论性能保证的可扩展密集子图发现算法？
- RQ3边权重估计精度对最终密集子图质量有何影响？
- RQ4查询次数和迭代次数在实际中如何影响收敛至最优解的过程？
- RQ5所提出的方法能否在部分或噪声边权重访问条件下优于标准密集子图发现方法？
主要发现
- 所提算法以高概率获得的解，其密度至少为最优密度的一半减去一个微小误差项。
- 随着迭代次数增加，算法收敛至近似最优的密集子图，且解的质量波动极小。
- 估计的边权重随时间趋近于真实期望权重，表明对底层边权重分布的学习具有可靠性。
- 可扩展变体在大规模图上保持强劲性能，同时与基线相比显著降低计算成本。
- 在真实世界图上的计算实验证实，所提算法在噪声聚合反馈下识别密集子图的有效性。
- 在无法获取或获取单个边权重代价高昂的场景下，该方法优于标准方法。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。