Truss Decomposition of Probabilistic Graphs: Semantics and Algorithms
-
Xin Huang, Wei Lu, Laks V.S. Lakshmanan
-
SIGMOD 2016
概要
-
局所的:部分グラフの各辺がk-2△に含まれる確率≧γ
-
k-coreっぽく辺を取り除いていく
-
当該確率はDPで計算
-
大域的:部分グラフ全体がk-trussを含む≧γ
-
確率の厳密計算が#P-hard
-
ランダムサンプリングして探索
問題定式化
-
局所$$(k, \gamma)$$-truss
-
$$ \Pr[\sup_{H}(e)\geq k-2] \geq \gamma $$な部分グラフH
-
大域$$(k, \gamma)$$-truss
-
$$ \alpha_k(H, e) := $$ ($$e$$を含む$$k$$-trussが出て来る確率) $$ \geq \gamma $$
-
が全ての辺eについて成り立つような部分グラフH
-
固定したγに対して、極大局所/大域(k,γ)-trussを見つけたい
局所確率的truss分解
-
$$ \sigma_G(e,t) = \Pr[\sup_G(e) \geq t] $$
-
k ← 2 to n
-
$$ \sigma(e,k-1)p(e) < \gamma \wedge \sigma(e,k-2)p(e)\geq \gamma $$な辺eがあれば
-
eのスコア=k
-
eを削除して、eを含む△を消すことで影響するσを色々と更新
-
$$ \Pr[\sup_G(uv) = t] $$の計算
-
$$ w \in N(u) \cap N(v) $$について、△={u,v,w}がある
-
△同士は独立(uvが生起する条件付けで)なので、そのうちt個の△が生きる確率はDPで計算出来る
-
$$ \sigma(e,t) $$は計算した値の和をとればOK
-
アルゴリズム中で△を消したときの更新は何か頑張れば出来る
大域確率的truss分解
-
$$ \alpha_k(H,e) $$の厳密計算は#P-hard
-
ランダムサンプリングしま~す。
-
何か色々とやっている
-
各kについて含む△が少ない辺を消す
-
各連結成分について探索を走らせる
-
Top-down exact: 普通に各辺除去していく
-
Bottom-up heuristic: 各辺から始めて適当に足していく
実験
まとめ
SIGMOD k-truss uncertain graphs
2017/06/18
最終更新:2017年06月18日 11:26