[论文解读] SPECTRE: Seedless Network Alignment via Spectral Centralities

Mikhail Hayhoe, Francisco Barreras+2 more|arXiv (Cornell University)|Nov 2, 2018

Complex Network Analysis Techniques参考文献 53被引用 4

一句话总结

SPECTRE 是一种可扩展的无种子网络对齐算法，利用谱中心性生成一个带有噪声的初始种子集，并通过自展渗滤法迭代优化对齐结果，即使在中等相关性的网络上也能实现高精度，且无需事先知晓正确的节点对。该方法在真实世界和合成网络上的边正确率和 ICS 得分方面均优于当前最先进的方法。

ABSTRACT

Network alignment consists of finding a structure-preserving correspondence between the nodes of two correlated, but not necessarily identical, networks. This problem finds applications in a wide variety of fields, from the alignment of proteins in computational biology, to the de-anonymization of social networks, as well as recognition tasks in computer vision. In this work we introduce SPECTRE, a scalable algorithm that uses spectral centrality measures and percolation techniques. Unlike most network alignment algorithms, SPECTRE requires no seeds (i.e., pairs of nodes identified beforehand), which in many cases are expensive, or impossible, to obtain. Instead, SPECTRE generates an initial noisy seed set via spectral centrality measures which is then used to robustly grow a network alignment via bootstrap percolation techniques. We show that, while this seed set may contain a majority of incorrect pairs, SPECTRE is still able to obtain a high-quality alignment. Through extensive numerical simulations, we show that SPECTRE allows for fast run times and high accuracy on large synthetic and real-world networks, even those which do not exhibit a high correlation.

研究动机与目标

• 为解决现有网络对齐算法的关键局限性，即需要高边相关性或种子对，而这些在现实应用中往往不可用。
• 开发一种可扩展且鲁棒的算法，在不依赖先验信息或正确种子对的情况下实现高对齐质量。
• 证明即使基于谱中心性生成的初始种子集带有噪声，也能通过自展渗滤法的迭代优化获得高质量对齐结果。
• 在多种真实世界网络（包括 PPI、社交和基础设施网络）上评估性能，涵盖不同相关性水平。
• 确立 SPECTRE 作为首个在无种子或强相关性假设下仍能保持高精度和高准确率的可扩展算法。

提出的方法

• SPECTRE 使用特征向量中心性，基于网络邻接矩阵的谱特性对节点进行排序，生成初始带有噪声的种子集。
• 采用具有两种扩展模式（SafeExpand 和 LooseExpand）的自展渗滤框架，基于局部一致性迭代扩展对齐结果。
• 引入回溯策略，在扩展过程中纠正错误对齐的节点，从而在迭代过程中持续提升对齐质量。
• 通过在 k（初始种子对数量）和 w（渗滤阈值）上进行参数搜索，优化对齐性能。
• 利用低秩近似和谱分解技术，确保在大规模网络上的计算可扩展性。
• 该方法对初始种子集中的噪声具有鲁棒性，即使大多数初始配对错误，仍能成功运行。

实验结果

研究问题

• RQ1 网络对齐算法是否能在不依赖任何种子对或节点对应先验知识的情况下实现高精度？
• RQ2 谱中心性在为网络对齐生成有用但带有噪声的初始种子集方面有多有效？
• RQ3 结合回溯机制的自展渗滤法在多大程度上能纠正初始对齐中的错误？
• RQ4 在边相关性较低的现实世界网络中，SPECTRE 的表现如何，而现有方法往往失效？
• RQ5 在无种子条件下，对齐质量、运行时间与参数选择（如 k 和 w）之间的权衡如何？

主要发现

• 在 C. jejuni 和 E. coli 的 PPI 网络上，SPECTRE 实现了 32% 的边正确率和 35% 的 ICS 得分，显著优于 GHOST 和 MI-GRAAL。
• 当 w=1 且 k=90 时达到最佳对齐质量，表明对参数变化具有鲁棒性，并能高度容忍初始噪声。
• 运行时间随网络规模高效扩展，SPECTRE 在节点数超过 50,000 的网络上可在 100 秒内完成。
• SPECTRE 即使在边相关性较低的网络上也保持高性能，而大多数现有算法在此类网络上会失效。
• 该算法对多数错误初始种子对具有鲁棒性，因为自展渗滤过程通过迭代优化有效纠正了错误。
• 与当前最先进的方法相比，SPECTRE 在可扩展性和准确性方面表现更优，尤其在无种子设置下优势显著。