[论文解读] Subgraph Counting: Color Coding Beyond Trees

Venkatesan T. Chakaravarthy, Michael Kapralov+5 more|arXiv (Cornell University)|Feb 14, 2016

Advanced Graph Neural Networks参考文献 30被引用 10

一句话总结

本论文提出了首个针对树查询（treewidth 1）之外的子图计数问题的高效分布式彩色编码算法，目标查询图的树宽为2。通过重构计算以缓解高程度节点带来的负载不平衡，该方法在幂律随机图上实现了线性可扩展性与渐近性能提升，显著推进了对三角形和4-环等循环基序的分布式子图计数。

ABSTRACT

The problem of counting occurrences of query graphs in a large data graph, known as subgraph counting, is fundamental to several domains such as genomics and social network analysis. Many important special cases (e.g. triangle counting) have received significant attention. Color coding is a very general and powerful algorithmic technique for subgraph counting. Color coding has been shown to be effective in several applications, but scalable implementations are only known for the special case of {\em tree queries} (i.e. queries of treewidth one). In this paper we present the first efficient distributed implementation for color coding that goes beyond tree queries: our algorithm applies to any query graph of treewidth $2$. Since tree queries can be solved in time linear in the size of the data graph, our contribution is the first step into the realm of colour coding for queries that require superlinear running time in the worst case. This superlinear complexity leads to significant load balancing problems on graphs with heavy tailed degree distributions. Our algorithm structures the computation to work around high degree nodes in the data graph, and achieves very good runtime and scalability on a diverse collection of data and query graph pairs as a result. We also provide theoretical analysis of our algorithmic techniques, showing asymptotic improvements in runtime on random graphs with power law degree distributions, a popular model for real world graphs.

研究动机与目标

• 解决树查询（treewidth 1）之外缺乏可扩展的分布式彩色编码实现的问题。
• 实现对循环查询（如三角形和4-环）的高效子图计数，这些查询在社交网络与生物信息学应用中具有基础重要性。
• 克服具有重尾度分布图中的负载不平衡问题，这是分布式子图计数中的主要瓶颈。
• 将彩色编码的应用范围扩展至树宽为2的一般查询，该类查询富含现实世界中的基序。
• 提供理论与实证证据，证明在幂律度分布的随机图上性能得到提升。

提出的方法

• 该算法使用彩色编码将搜索限制在彩色匹配——即查询图中每个顶点被分配不同随机颜色的子图——从而剪枝搜索空间。
• 通过重构计算，将高程度节点单独隔离并单独处理，以减少在分布式环境中的负载不平衡。
• 利用查询图的树宽-2结构，设计基于动态规划风格的颜色分配计数过程。
• 采用分布式计算模型，将顶点与边划分到不同工作节点，通过协调机制计数有效的彩色匹配。
• 通过多次随机着色并平均结果来提高估计精度，同时提供误差与收敛性的理论边界。
• 理论分析表明，在具有幂律度序列（指数 α ∈ (1,2)）的Chung-Lu随机图中，该算法的期望运行时间相比朴素方法可提升 n^(α−1)/2 倍。

实验结果

研究问题

• RQ1 彩色编码能否在分布式环境中高效扩展至树查询（treewidth 1）之外？
• RQ2 在现实世界图中，如何缓解高程度节点导致的分布式子图计数中的负载不平衡？
• RQ3 在幂律随机图上，将彩色编码扩展至树宽-2查询时，可实现何种理论性能提升？
• RQ4 所提出的算法在多样化数据与查询图组合（包括循环基序）上是否保持线性可扩展性？
• RQ5 在现实世界图模型中，基于度的负载均衡策略与朴素的基于顶点的方法相比，其期望运行时间如何？

主要发现

• 所提出的算法在多样化数据与查询图组合（包括三角形和4-环等循环基序）上，实际实现了线性可扩展性。
• 在具有幂律度分布的随机图（Chung-Lu模型，指数 α ∈ (1,2)）上，该算法的期望运行时间相比朴素的基于ID的方法提升了 n^(α−1)/2 倍。
• 当 α ∈ (1, 2 − 1/(q−1)) 时，相比朴素方法的性能提升至少为 n^(α−1)/2，表明具有显著的渐近优势。
• 该算法被证明是 λ-平衡的，其中 λ = O(n^(α/2 − 1))，这支持其理论可扩展性与负载分布保障。
• 在具有重尾度分布的图上，该方法显著优于朴素方法与基于ID的方法，此时负载不平衡最为严重。
• 理论分析确认，该算法的期望运行时间相对于朴素方法为 o(E[Y(q)])，并为不同幂律指数 α 的范围推导出具体边界。