[论文解读] Random Graph Matching in Geometric Models: the Case of Complete Graphs

Haoyu Wang, Yihong Wu+2 more|arXiv (Cornell University)|Feb 22, 2022

Markov Chains and Monte Carlo Methods被引用 6

一句话总结

本文研究几何模型中的随机图匹配，聚焦于从低维空间中相关高斯向量导出边权的完全图。提出一种近似最大似然估计器，在噪声水平 σ 为 o(n⁻²/ᵈ) 时可实现对潜在顶点对应关系的完美恢复，当 σ 为 o(n⁻¹/ᵈ) 时可实现近乎完美恢复，证明在 d=o(log n) 条件下，对点积模型与距离模型而言，这些阈值在信息论上均为最优。

ABSTRACT

This paper studies the problem of matching two complete graphs with edge weights correlated through latent geometries, extending a recent line of research on random graph matching with independent edge weights to geometric models. Specifically, given a random permutation $π^*$ on $[n]$ and $n$ iid pairs of correlated Gaussian vectors $\{X_{π^*(i)}, Y_i\}$ in $\mathbb{R}^d$ with noise parameter $σ$, the edge weights are given by $A_{ij}=κ(X_i,X_j)$ and $B_{ij}=κ(Y_i,Y_j)$ for some link function $κ$. The goal is to recover the hidden vertex correspondence $π^*$ based on the observation of $A$ and $B$. We focus on the dot-product model with $κ(x,y)=\langle x, y angle$ and Euclidean distance model with $κ(x,y)=\|x-y\|^2$, in the low-dimensional regime of $d=o(\log n)$ wherein the underlying geometric structures are most evident. We derive an approximate maximum likelihood estimator, which provably achieves, with high probability, perfect recovery of $π^*$ when $σ=o(n^{-2/d})$ and almost perfect recovery with a vanishing fraction of errors when $σ=o(n^{-1/d})$. Furthermore, these conditions are shown to be information-theoretically optimal even when the latent coordinates $\{X_i\}$ and $\{Y_i\}$ are observed, complementing the recent results of [DCK19] and [KNW22] in geometric models of the planted bipartite matching problem. As a side discovery, we show that the celebrated spectral algorithm of [Ume88] emerges as a further approximation to the maximum likelihood in the geometric model.

研究动机与目标

• 将随机图匹配从独立边模型扩展至具有潜在空间结构的几何模型。
• 分析在相关几何图中恢复隐藏顶点对应关系的信息论极限。
• 在低维几何设置（d=o(log n)）下，建立完美恢复与近乎完美恢复的紧致阈值。
• 证明 [Ume88] 的谱算法在该几何框架下自然地成为最大似然估计的近似。

提出的方法

• 构建一个相关几何模型，其中两个完全图由具有随机排列和独立同分布噪声的潜在高斯向量生成。
• 考虑两种关键模型：点积模型（A_ij = ⟨X_i,X_j⟩）与平方距离模型（A_ij = ||X_i−X_j||²）。
• 基于观测到的边权，推导出隐藏排列 π* 的近似最大似然估计器（MLE）。
• 应用二阶矩方法与 Paley-Zygmund 不等式，下界估计错误概率并推导恢复阈值。
• 通过矩生成函数分析与矩阵集中不等式，界定在替代排列下的似然比。
• 通过证明在有界协方差矩阵下恢复阈值保持不变，将结果推广至非各向同性高斯模型。

实验结果

研究问题

• RQ1 在相关几何随机图中，隐藏顶点对应关系的完美恢复的信息论极限是什么？
• RQ2 在低维区域中，图匹配性能如何依赖于维度 d 与噪声水平 σ？
• RQ3 [Ume88] 的谱算法能否被解释为几何图匹配中最大似然的自然近似？
• RQ4 当潜在坐标为非各向同性（即协方差非单位阵）而非 i.i.d. 标准正态分布时，恢复阈值如何变化？
• RQ5 为实现完美或近乎完美恢复，噪声水平 σ 与维度 d 之间的最优权衡是什么？

主要发现

• 所提出的近似 MLE 在点积模型与距离模型中，当 σ=o(n⁻²/ᵈ) 时，以高概率实现对隐藏排列 π* 的完美恢复。
• 对于近乎完美恢复（错误比例趋于零），阈值可扩展至 σ=o(n⁻¹/ᵈ)，且该阈值被证明在信息论上是最优的。
• 即使潜在坐标 X_i 与 Y_i 被观测到，恢复阈值仍保持紧致，确认了在几何设置下的最优性。
• 著名的 [Ume88] 谱算法在该几何模型中自然地成为最大似然估计器的进一步近似。
• 当协方差矩阵满足 Σ≻cI 时，结果可推广至非各向同性高斯模型，且在缩放噪声参数下，恢复阈值保持不变。
• 通过更精细的矩估计改进二阶矩分析，所得界比先前工作更紧，优于 [DCK19] 与 [KNW22] 的条件。