[论文解读] Seeded Graph Matching: Efficient Algorithms and Theoretical Guarantees

Farhad Shirani, Siddharth Garg+1 more|arXiv (Cornell University)|Nov 28, 2017

Graph Theory and Algorithms参考文献 16被引用 4

一句话总结

本文提出了一种基于信息论的图匹配框架，引入了一种基于典型性匹配和点对点通信原理的多项式时间种子图匹配算法。当种子数量随顶点数对数增长时，证明了可保证成功匹配，且该系数与相关 Erdős-Rényi 图中边变量之间的互信息成反比。

ABSTRACT

In this paper, a new information theoretic framework for graph matching is introduced. Using this framework, the graph isomorphism and seeded graph matching problems are studied. The maximum degree algorithm for graph isomorphism is analyzed and sufficient conditions for successful matching are rederived using type analysis. Furthermore, a new seeded matching algorithm with polynomial time complexity is introduced. The algorithm uses `typicality matching' and techniques from point-to-point communications for reliable matching. Assuming an Erdos-Renyi model on the correlated graph pair, it is shown that successful matching is guaranteed when the number of seeds grows logarithmically with the number of vertices in the graphs. The logarithmic coefficient is shown to be inversely proportional to the mutual information between the edge variables in the two graphs.

研究动机与目标

• 开发一种新的信息论框架，用于分析图匹配的基本极限。
• 利用类型分析和大数集中律重新推导图同构成功的充分条件。
• 设计一种具有理论性能保证的多项式时间种子图匹配算法。
• 在去匿名化场景中，建立种子效用的清晰信息论解释。
• 表征在 Erdős-Rényi 模型下实现可靠匹配所需的最小种子规模。

提出的方法

• 所提出的算法采用两阶段典型性匹配策略（TMS），基于顶点的邻域特征对未标记顶点进行匹配。
• 它利用两图之间边特征向量的联合典型性来识别候选匹配对，灵感来源于信息论中的指纹识别技术。
• 该算法通过基于典型性的匹配方法迭代扩展种子集合，从而减少顶点标记的歧义性。
• 它应用切比雪夫不等式和大偏差界来分析歧义集合中匹配失败的概率。
• 该方法依赖于边分布之间的互信息 $ I(X_1; X_2) $ 作为决定种子需求的关键参数。
• 理论分析使用大数集中律和典型集论证，以界定未匹配顶点的数量。

实验结果

研究问题

• RQ1 在 Erdős-Rényi 模型下，保证成功图匹配所需的最小种子数是多少？
• RQ2 边变量之间的互信息如何影响种子图匹配的可扩展性？
• RQ3 是否能设计一种多项式时间算法，实现信息论最优的种子使用并保证可靠匹配？
• RQ4 典型性在降低相关图中顶点匹配歧义性方面起到什么作用？
• RQ5 在新的信息论框架下，现有图同构算法的表现如何比较？

主要发现

• 当种子规模 $ \Lambda_n $ 满足 $ \Lambda_n > \Theta\left(\frac{2\log n}{I(X_1;X_2)}\right) $ 时，典型性匹配策略（TMS）可高概率保证成功图匹配。
• 所需种子规模随顶点数 $ n $ 的对数增长，其系数与互信息 $ I(X_1;X_2) $ 成反比。
• 该算法在保证 Erdős-Rényi 图模型下可靠匹配的同时，实现了多项式时间复杂度。
• 分析表明，每个种子为未标记顶点的标签提供约 $ I(X_1;X_2) $ 比特的信息。
• 只要满足种子规模条件，当 $ n \to \infty $ 时，匹配失败的概率趋于零。
• 该框架通过类型分析重新推导了图同构中最大度算法的充分条件，为理解其性能提供了新见解。