[论文解读] Planting trees in graphs, and finding them back

Laurent Massoulié, Ludovic Stephan+1 more|arXiv (Cornell University)|Nov 5, 2018

Forensic Fingerprint Detection Methods被引用 4

一句话总结

本文研究了在稀疏 Erdős-Rényi 随机图中植株树结构（特别是线图和 D-ary 树）的检测与重构。研究建立了相变现象，表明当树的大小超过某一阈值时，检测变得可行，而即使检测容易，对于子线性大小的树，重构仍不可能，揭示了在低秩植株结构（如稠密子图）中所不存在的关键差异。

ABSTRACT

In this paper we study detection and reconstruction of planted structures in Erdős-Rényi random graphs. Motivated by a problem of communication security, we focus on planted structures that consist in a tree graph. For planted line graphs, we establish the following phase diagram. In a low density region where the average degree $λ$ of the initial graph is below some critical value $λ_c=1$, detection and reconstruction go from impossible to easy as the line length $K$ crosses some critical value $f(λ)\ln(n)$, where $n$ is the number of nodes in the graph. In the high density region $λ>λ_c$, detection goes from impossible to easy as $K$ goes from $o(\sqrt{n})$ to $ω(\sqrt{n})$, and reconstruction remains impossible so long as $K=o(n)$. For $D$-ary trees of varying depth $h$ and $2\le D\le O(1)$, we identify a low-density region $λλ_D$, but confirm only the following part of this picture: Detection is easy for $D$-ary trees of size $ω(\sqrt{n})$, while at best only partial reconstruction is feasible for $D$-ary trees of any size $o(n)$. These results are in contrast with the corresponding picture for detection and reconstruction of {\em low rank} planted structures, such as dense subgraphs and block communities: We observe a discrepancy between detection and reconstruction, the latter being impossible for a wide range of parameters where detection is easy. This property does not hold for previously studied low rank planted structures.

研究动机与目标

• 理解稀疏 Erdős-Rényi 图中植株树结构检测与重构的相变现象。
• 将基于树的植株结构的检测与重构可行性与先前研究的低秩结构（如稠密子图）进行比较。
• 识别检测变得可行但重构仍不可能的条件，特别是针对子线性大小的树。
• 为植株线图和 D-ary 树的情况建立检测与重构的完整相图。
• 研究树结构信号的检测与重构中是否存在困难相变，与已知的低秩模型结果形成对比。

提出的方法

• 分析稀疏 Erdős-Rényi 随机图模型 G(n, λ/n) 中的检测与重构，其中平均度 λ 固定。
• 使用概率分析和集中不等式推导检测与重构可行性的阈值。
• 应用超几何分布建模，估计在给定部分树结构的条件下，重构节点与植株树节点之间的期望重叠。
• 采用递归树结构分析，界定 D-ary 树最后一层中正确恢复节点的期望数量。
• 基于 n 的渐近行为推导相变，特别关注涉及 ln(n)、ln(ln(n)) 和 √n 缩放的阈值。
• 在 P₁ 下使用条件概率框架，评估在已知树上层部分信息条件下的重构性能。

实验结果

研究问题

• RQ1 对于平均度为 λ 的图，植株线图的检测在多大的线长阈值下变得可行？
• RQ2 为何当检测容易时，植株线图大小为 o(n) 时重构仍不可能？
• RQ3 D-ary 树的关键高度 h* 是多少，使得检测从不可能变为可行？
• RQ4 当树高 h 超过 h* 时，能否实现 D-ary 树的完全重构，还是仅能达到部分重构？
• RQ5 树结构信号的检测与重构阈值与低秩植株结构（如稠密子图或社区）的阈值相比如何？

主要发现

• 对于低密度区域（λ < 1）中的植株线图，当线长 K 超过 K* = ln(n)/ln(1/λ) 时，检测与重构变得可行。
• 在高密度区域（λ > 1）中，当 K 从 o(√n) 转变为 ω(√n) 时，检测变得可行，但当 K = o(n) 时，重构仍不可能。
• 对于 D-ary 树，当树高 h 超过 h* = g(D)ln(ln(n)) 时，检测变得可行，其中 g(D) 依赖于 D。
• 即使对于 D-ary 树的检测可行，也只能实现部分重构：至少存在一个常数比例的节点无法被正确识别。
• 在高密度区域（λ > λ_D），当 D-ary 树大小为 ω(√n) 时，检测变得容易，但对任何 o(n) 大小的树，重构仍不可能。
• 本文证实，对于 D-ary 树，即使检测可行，重构也必然在非消失的节点比例上失败，凸显了检测与重构之间根本的不对称性。