[论文解读] Spectral Graph Matching and Regularized Quadratic Relaxations I: The Gaussian Model

Zhou Fan, Cheng Mao+2 more|arXiv (Cornell University)|Jul 20, 2019

Graph Theory and Algorithms参考文献 56被引用 19

一句话总结

该论文提出 GRAMPA，一种新颖的谱图匹配算法，通过基于特征值分离的柯西核权重，利用两幅图的特征向量的加权外积构建相似性矩阵。在高斯 Wigner 模型下，GRAMPA 在噪声水平 σ = O(1/log n) 时以高概率实现对真实顶点对应关系的精确恢复，其性能与多项式时间算法的最先进水平相当，显著优于以往谱方法所需更小的 σ（即多项式级更小的 σ）。

ABSTRACT

Graph matching aims at finding the vertex correspondence between two unlabeled graphs that maximizes the total edge weight correlation. This amounts to solving a computationally intractable quadratic assignment problem. In this paper we propose a new spectral method, GRAph Matching by Pairwise eigen-Alignments (GRAMPA). Departing from prior spectral approaches that only compare top eigenvectors, or eigenvectors of the same order, GRAMPA first constructs a similarity matrix as a weighted sum of outer products between all pairs of eigenvectors of the two graphs, with weights given by a Cauchy kernel applied to the separation of the corresponding eigenvalues, then outputs a matching by a simple rounding procedure. The similarity matrix can also be interpreted as the solution to a regularized quadratic programming relaxation of the quadratic assignment problem. For the Gaussian Wigner model in which two complete graphs on $n$ vertices have Gaussian edge weights with correlation coefficient $1-σ^2$, we show that GRAMPA exactly recovers the correct vertex correspondence with high probability when $σ= O(\frac{1}{\log n})$. This matches the state of the art of polynomial-time algorithms, and significantly improves over existing spectral methods which require $σ$ to be polynomially small in $n$. The superiority of GRAMPA is also demonstrated on a variety of synthetic and real datasets, in terms of both statistical accuracy and computational efficiency. Universality results, including similar guarantees for dense and sparse Erdős-Rényi graphs, are deferred to the companion paper.

研究动机与目标

• 为解决图匹配中二次指派问题的计算不可解性，提出一种具有可证明恢复保证的新谱方法。
• 通过引入更具鲁棒性的特征向量对齐策略，改进现有谱方法对信噪比要求过高的问题（即要求 σ 为多项式级小）。
• 建立所提谱方法与二次指派问题正则化二次规划松弛之间的联系。
• 在合成数据和真实世界图数据集上，展示 GRAMPA 在统计性能和计算效率上的优越性。
• 为稠密和稀疏 Erdős-Rényi 图的普遍性结果奠定理论基础，相关内容延后至附录论文中讨论。

提出的方法

• GRAMPA 将相似性矩阵构造为两幅图所有特征向量对之间外积的加权和，其中权重采用基于对应特征值绝对差的柯西核。
• 柯西核权重定义为 w(λ_i, μ_j) = 1 / (1 + (λ_i - μ_j)^2 / η^2)，其中 η 为与噪声水平 σ 无关的调参参数。
• 所得相似性矩阵被解释为二次指派问题正则化二次规划松弛的解。
• 通过在相似性矩阵上应用简单的舍入过程获得匹配结果，将其视为置换矩阵的估计。
• 该方法利用 Wigner 系综的谱性质，并在整体谱范围内利用特征向量在噪声下的集中性。
• 理论分析依赖于向量化、正交矩阵旋转，以及高斯混沌的集中不等式，关键界通过克罗内克代数和信噪比启发式方法推导。

实验结果

研究问题

• RQ1 在信噪比较弱的条件下，是否一种包含所有特征向量对（而不仅前几对）的谱方法能够实现在图匹配问题中的精确恢复？
• RQ2 基于柯西核实现特征向量对齐的正则化二次规划松弛，是否能优于标准谱方法的恢复性能？
• RQ3 在高斯 Wigner 模型下，使用多项式时间算法时，精确恢复在高概率下可能实现的最小噪声水平 σ 是多少？
• RQ4 核权重的选择（特别是柯西核）与特征向量对齐过程中最优信噪比之间的关系是什么？
• RQ5 所提方法能否扩展至非高斯、稠密或稀疏随机图模型，如普遍性启发式所建议的那样？

主要发现

• GRAMPA 在高斯 Wigner 模型下，当 σ = O(1/log n) 时，以高概率实现对真实顶点对应关系的精确恢复，其性能与多项式时间算法的最佳已知结果一致。
• 该方法显著优于现有谱方法，后者要求 σ 在 n 上为多项式级小（例如 O(n^{-c})，c > 0），使其在更高噪声水平下依然有效。
• GRAMPA 构造的相似性矩阵以高概率具有对角占优性，这支持了舍入过程成功恢复正确置换。
• 柯西核加权方案通过信噪比启发式方法获得理论支持，表明其近似于最大化信噪比的最优权重函数。
• 数值实验表明，GRAMPA 在合成数据和真实世界数据集上均优于其他谱方法，在统计精度和计算效率方面表现更优。
• 该方法对未知噪声水平具有鲁棒性，因为调参 η 可独立于 σ 设定，且 η = c / log n 在广泛 σ 范围内即足以实现精确恢复。