Suche senden
Hochladen
大規模ネットワークの性質と先端グラフアルゴリズム
•
70 gefällt mir
•
15,401 views
Takuya Akiba
Folgen
Technologie
Melden
Teilen
Melden
Teilen
1 von 31
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
大規模グラフアルゴリズムの最先端
大規模グラフアルゴリズムの最先端
Takuya Akiba
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
2章グラフ理論スピード入門
2章グラフ理論スピード入門
Teruo Kawasaki
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
Empfohlen
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
大規模グラフアルゴリズムの最先端
大規模グラフアルゴリズムの最先端
Takuya Akiba
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
2章グラフ理論スピード入門
2章グラフ理論スピード入門
Teruo Kawasaki
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
負の二項分布について
負の二項分布について
Hiroshi Shimizu
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方
ychtanaka
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
諒介 荒木
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
Noisy Labels と戦う深層学習
Noisy Labels と戦う深層学習
Plot Hong
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
Toshihiro Kamishima
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
モンテカルロサンプリング
モンテカルロサンプリング
Kosei ABE
オントロジーとは?
オントロジーとは?
Kouji Kozaki
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Structural data analysis based on multilayer networks
Structural data analysis based on multilayer networks
tm1966
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
MasanoriSuganuma
Weitere ähnliche Inhalte
Was ist angesagt?
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
負の二項分布について
負の二項分布について
Hiroshi Shimizu
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方
ychtanaka
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
諒介 荒木
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
Noisy Labels と戦う深層学習
Noisy Labels と戦う深層学習
Plot Hong
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
Toshihiro Kamishima
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
モンテカルロサンプリング
モンテカルロサンプリング
Kosei ABE
オントロジーとは?
オントロジーとは?
Kouji Kozaki
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Was ist angesagt?
(20)
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
不均衡データのクラス分類
不均衡データのクラス分類
負の二項分布について
負の二項分布について
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
楽しい研究のために今からできること 〜新しく研究を始める皆さんへ〜
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Noisy Labels と戦う深層学習
Noisy Labels と戦う深層学習
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
モンテカルロサンプリング
モンテカルロサンプリング
オントロジーとは?
オントロジーとは?
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
Ähnlich wie 大規模ネットワークの性質と先端グラフアルゴリズム
Structural data analysis based on multilayer networks
Structural data analysis based on multilayer networks
tm1966
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
MasanoriSuganuma
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
Takuya Akiba
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習
Preferred Networks
Jokyokai
Jokyokai
Taiji Suzuki
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
MasanoriSuganuma
how-calculate-cluster-coefficience
how-calculate-cluster-coefficience
Norihiro Shimoda
NeurIPS2019参加報告
NeurIPS2019参加報告
Masanari Kimura
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
Preferred Networks
深層生成モデルと世界モデル,深層生成モデルライブラリPixyzについて
深層生成モデルと世界モデル,深層生成モデルライブラリPixyzについて
Masahiro Suzuki
20160901 jwein
20160901 jwein
tm1966
Approximate Scalable Bounded Space Sketch for Large Data NLP
Approximate Scalable Bounded Space Sketch for Large Data NLP
Koji Matsuda
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
Morpho, Inc.
研究報告 #0 - NII 情報科学の達人 ( R4 / 2 / 5 )
研究報告 #0 - NII 情報科学の達人 ( R4 / 2 / 5 )
TadaTeruki
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
Preferred Networks
Deep learning勉強会20121214ochi
Deep learning勉強会20121214ochi
Ohsawa Goodfellow
第126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習
Naoya Chiba
LAB-ゼミ資料-1-20150413
LAB-ゼミ資料-1-20150413
Yuki Ogasawara
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
Overview and Roadmap
Overview and Roadmap
JubatusOfficial
Ähnlich wie 大規模ネットワークの性質と先端グラフアルゴリズム
(20)
Structural data analysis based on multilayer networks
Structural data analysis based on multilayer networks
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習
Jokyokai
Jokyokai
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
When NAS Meets Robustness:In Search of Robust Architectures againstAdversar...
how-calculate-cluster-coefficience
how-calculate-cluster-coefficience
NeurIPS2019参加報告
NeurIPS2019参加報告
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
深層生成モデルと世界モデル,深層生成モデルライブラリPixyzについて
深層生成モデルと世界モデル,深層生成モデルライブラリPixyzについて
20160901 jwein
20160901 jwein
Approximate Scalable Bounded Space Sketch for Large Data NLP
Approximate Scalable Bounded Space Sketch for Large Data NLP
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
研究報告 #0 - NII 情報科学の達人 ( R4 / 2 / 5 )
研究報告 #0 - NII 情報科学の達人 ( R4 / 2 / 5 )
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
Deep learning勉強会20121214ochi
Deep learning勉強会20121214ochi
第126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習
LAB-ゼミ資料-1-20150413
LAB-ゼミ資料-1-20150413
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Overview and Roadmap
Overview and Roadmap
Mehr von Takuya Akiba
分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17
Takuya Akiba
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
Takuya Akiba
TCO15 Algorithm Round 2C 解説
TCO15 Algorithm Round 2C 解説
Takuya Akiba
ACM-ICPC 世界大会 2015 問題 K "Tours" 解説
ACM-ICPC 世界大会 2015 問題 K "Tours" 解説
Takuya Akiba
大規模グラフ解析のための乱択スケッチ技法
大規模グラフ解析のための乱択スケッチ技法
Takuya Akiba
乱択データ構造の最新事情 -MinHash と HyperLogLog の最近の進歩-
乱択データ構造の最新事情 -MinHash と HyperLogLog の最近の進歩-
Takuya Akiba
Cache-Oblivious データ構造入門 @DSIRNLP#5
Cache-Oblivious データ構造入門 @DSIRNLP#5
Takuya Akiba
勉強か?趣味か?人生か?―プログラミングコンテストとは
勉強か?趣味か?人生か?―プログラミングコンテストとは
Takuya Akiba
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでの乱択アルゴリズム
Takuya Akiba
プログラミングコンテストでのデータ構造 2 ~動的木編~
プログラミングコンテストでのデータ構造 2 ~動的木編~
Takuya Akiba
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
Takuya Akiba
プログラミングコンテストでの動的計画法
プログラミングコンテストでの動的計画法
Takuya Akiba
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
Takuya Akiba
Mehr von Takuya Akiba
(13)
分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
TCO15 Algorithm Round 2C 解説
TCO15 Algorithm Round 2C 解説
ACM-ICPC 世界大会 2015 問題 K "Tours" 解説
ACM-ICPC 世界大会 2015 問題 K "Tours" 解説
大規模グラフ解析のための乱択スケッチ技法
大規模グラフ解析のための乱択スケッチ技法
乱択データ構造の最新事情 -MinHash と HyperLogLog の最近の進歩-
乱択データ構造の最新事情 -MinHash と HyperLogLog の最近の進歩-
Cache-Oblivious データ構造入門 @DSIRNLP#5
Cache-Oblivious データ構造入門 @DSIRNLP#5
勉強か?趣味か?人生か?―プログラミングコンテストとは
勉強か?趣味か?人生か?―プログラミングコンテストとは
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでのデータ構造 2 ~動的木編~
プログラミングコンテストでのデータ構造 2 ~動的木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでの動的計画法
プログラミングコンテストでの動的計画法
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
Kürzlich hochgeladen
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Kürzlich hochgeladen
(10)
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
大規模ネットワークの性質と先端グラフアルゴリズム
1.
2012/12/06 PFI セミナー
大規模ネットワークの性質と 先端グラフアルゴリズム 秋葉 拓哉 / @iwiwi
2.
自己紹介 秋葉 拓哉 /
@iwiwi • 所属:東大 CS M2 (今井研) → DC1 (来年) • PFI:インターン (2009) → バイト (夜研等) • 元プログラミングコンテスト中毒者 – TopCoder レーティング:3180 (世界で 12 位) • 研究:大規模グラフのアルゴリズム – 最短経路クエリ,コミュニティ検出,…… 1
3.
現実世界のグラフを対象とした研究
複雑ネットワーク理論 (物理系) ウェブ系 データマイニング系 (WWW, WSDM, …) (KDD, SDM, ICDM, …) ・モデル化 ・コミュニティ検出 ・コミュニティ検出 データベース系 ・リンク予測 (SIGMOD, VLDB, ICDE, …) ・グラフクエリ処理 生物情報系 ネットワーク系 ・接続性 (INFOCOM, SIGCOMM, …) ・最適化 ハイパフォーマンス系 実験系アルゴリズム 理論系アルゴリズム (SC, ISC, …) (ALENEX, ESA, SEA, …) (STOC, FOCS, SODA, …) ・並列分散グラフアルゴリズム ・Graph 500! グラフ描画系 ・最近は中心性等も [Frasca+,SC’12] (GD, …) 2
4.
今日の内容
1. 現実世界のネットワークの性質 次数分布,平均距離,三角形,… 2. それを活用したグラフアルゴリズム 理論系 実験系 • 近接中心性 • 最短路 • ルーティング • 密部分グラフ • 支配集合問題 • 可視化 3
5.
現実世界のネットワークにおける 特徴量と性質
4
6.
対象となるネットワーク 紹介するような性質を持っていることが多い 現実世界のネットワーク: •
ソーシャルネットワーク • ウェブグラフ • コンピュータネットワーク • 生物情報学のネットワーク • …… ※それらのネットワークが常にこうだと言っているわけではないです ※張り付けている実験結果は,自分がよく対象にするネットワーク達に偏って いるかもしれません(ソーシャル・ウェブ) 5
7.
対象となるネットワーク
こういうやつ こうじゃないやつ 共著ネットワーク 道路ネットワーク(アメリカ) [http://www.cise.ufl.edu/research/sparse/matrices/SNAP/ca-GrQc.html] 6
8.
1. 次数分布 (Power
Law, Scale Free) 次数分布:冪乗則 (Power Law) に従う −𝛾 𝑝(𝑘) ∝ 𝑘 • 𝑘:次数 • 𝑝(𝑘):次数が 𝑘 の頂点の割合 • 𝛾:定数 (べき指数) – 典型的には 2 < 𝛾 < 3 両対数でプロットすると 直線っぽくなる (累積でプロットしたほうが良い) [Mislove+’09,Fig.2] 7
9.
1. 次数分布 (Power
Law, Scale Free) 冪乗則 • 人の収入とかも冪乗則らしい • 正規分布とかと違い,ちょー大きな値が存在する – 一部の人がすごくお金持ち,大半の人は平均以下 – ネットワークでも,凄く次数が高い頂点がちらほらある 次数が冪乗則に従っているか? 1. 雑:両対数でそれっぽくなっているか 2. 真面目:統計モデルで 𝛾 を推定,検定 低い次数の部分では従わないことが多い アルゴリズム的には,凄い次数が大きい頂点がちょっとある,とかそ ういうぐらいの事実が重要な気がする 8
10.
1. 次数分布 (Power
Law, Scale Free) ウェブグラフの累積次数分布 う,うーん…… 9
11.
2. 距離 (Small
World) 平均距離:短い • 距離:二頂点の間の最短路の長さ s t • 平均:全二頂点対 短いとは:𝑂 log 𝑛 である,ランダムに繋ぎ変えても有意に小さくならない等 距離の分布の例 [Potamias+,CIKM’09,Fig.2] 10
12.
2. 距離 (Small
World) 実際の人間を通した実験 • 1960 年代,ミルグラム 「平均距離 6 だー!!!」 – 手紙を転送して貰って目的の人物に届ける – 現代では,破棄の考慮や始点に疑問の声 • 2002 年,ワッツ 「似たような感じだったー!!!」 – 電子メール – 始点の数や位置,破棄を今度は考慮しているらしい コンピュータによるネットワークの解析 • カジュアルに計算されてる(やっぱ小さい) • 2011 年,Backstrom (Facebook社) 「4.74 だー!!!」 – Facebook のネットワーク (721 M users / 69 B links) – [Backstorm+’11] http://arxiv.org/pdf/1111.4570v3.pdf 11
13.
3. クラスター係数 (Small
World) クラスター係数:大きい 三角形の個数 クラスター係数 𝐶 = 三頂点の組の個数 大きいとは:同じスケールのランダムに作るグラフより有意に大きい • 友達と友達は友達 • 局所性のようなものがある スモールワールド性: 小さい平均距離と大きいクラスター係数 (距離だけで言うこともある) ↑やべぇ 12
14.
他にもいっぱい特徴量 & 性質 •
次数相関,結合次数分布 (JDD) • 中心性:次数,近接,媒介,固有ベクトル,… • モチーフ • コミュニティ構造 • 極大クリーク分布 • サイクル分布 • 固有値 • …… 13
15.
4. 木っぽさ 遠目に見るとなんか木っぽい,という主張がしばしば行わ
れている 1. Shavitt, Tankel. Hyperbolic embedding of internet graph for distance estimation and overlay construction. IEEE/ACM Trans. Netw. 16, 1 (2008). 2. Melnik, Hackett, Porter, Mucha, Gleeson. The Unreasonable Effectiveness of Tree-Based Theory for Networks with Clustering. Physical Review E, Vol. 83, No. 3 (2010). 3. Gupta, Shankar, Li, Muthukrishnan, Iftode. Finding Hierarchy in Directed Online Social Networks. WWW (2011). 「インターネットは,超繋がった core + 周りの tendril だ.パスは基本的に,tendril→core→tendril だ.」 (1 つめの文献から引用&和訳) 14
16.
4. 木っぽさ
AS のネットワーク (BGP log) 共著ネットワーク [http://www.cise.ufl.edu/research/sparse/matrices/SNAP/as-735.html] [http://www.cise.ufl.edu/research/sparse/matrices/SNAP/ca-GrQc.html] うーん,確かに?? 15
17.
4. 木っぽさ 関係する実験
次数上位 数% の頂点 (Core) を 削除 →連結成分はばらばらに (ハブの存在的な話とも関係) [Mislove+,IMC’07,Fig.7] 次数の低い部分 (Fringe) では クラスター性が非常に高い [Mislove+,IMC’07,Fig.9] ( Core-Fringe 構造と呼ばれたりもしている) 16
18.
4. 木っぽさ 木っぽさを測るのは進行中の課題?
[Sullivan+,MMDS’12] • 𝛿-hyperbolicity [Gromov,’87] – 幾何的な指標 [Sullivan+,MMDS’12,P.8] – 双極空間に(距離の意味で)埋め込めたらツリー,を拡張 – 𝑂 𝑛4 かかってしまう → サンプリング等 • Tree-width (木幅) [Robertson,’84] – 組合せ的な指標 – 厳密計算は NP-Hard – Core 部分はあまり木っぽくはない,元の定義のままでは,この 部分に完全に引きずられてしまい意味を成さない 17
19.
ネットワークの性質を活用した グラフアルゴリズム
18
20.
話すこと 1. 理論方面 i.
近接中心性の近似 ii. コンパクトルーティング iii. 支配集合問題の近似 2. 実用方面 i. 密部分グラフ列挙 ii. グラフ可視化 iii. 最短経路クエリ
21.
1. 近接中心性の近似 (Small
World) 𝑁 近接中心性 𝑐 𝑢 = 𝑑 𝐺 𝑢,𝑣 𝑣 (全頂点からの距離の平均の逆数) • 真面目に求めると,全頂点から BFS • 𝑂 𝑛𝑚 は無理 • 頂点集合をランダムサンプル → BFS Small World なら嬉しい [Eppstein+,SODA’01] log 𝑛 • Θ 個の頂点を選ぶと 𝜖2 • 1 − 𝑜(1) の確率で逆数での誤差が 𝜖Δ 未満 (Δ は直径) 20
22.
2. コンパクトルーティング コンパクトルーティング • 各頂点に情報を蓄えておく •
ある頂点に居て,ある頂点に行きたい.次どこに進め ば? をその頂点にある情報だけで計算する • 移動距離は最短距離に近いほど望ましい コンピュータネットワークにおけるパケットの輸送みたい な感じの問題 (ネットワークが静的でいいのかとかそういうツッコミはある) 21
23.
2. コンパクトルーティング A Compact
Routing Scheme and Approximate Distance Oracle for Power-law Graphs [Chen+, TALG’09] • 現実のネットワークでは一般的な理論的結果よりも良い 結果が出ている • Power Law を入れて解析したら,良い結果が出た • 理論と実世界のギャップを埋めた!(という主張) • 実際には FDRG というモデルを仮定し解析 (クラスター性などはおそらく一切ない) • 解析が長く,どう効いてるのかはすぐにはわからぬ 22
24.
3. 支配集合問題の近似 Structural and
Algorithmic Aspects of Massive Social Networks [Eubank+,SODA’04] • CL-model というモデルに言及 • このモデルの上で, 1 − 𝜖 -支配集合問題 (=NP-Hard) が貪欲アルゴリズムで 1 + 𝑜(1) 近似できると主張 • 次数の高いものをとるだけ ちなみに,Power law の任意のグラフという制限下では色々な問題が NP-Hard のままで,近似可能性もあまり向上しない [Shen+,COCOA’12] 23
25.
4. 密部分グラフ列挙 密に接続しあっている頂点集合を知りたい • 𝑫𝑵-graph
[Wang+,VLDB’11] • 𝒌-truss [Cohen,’08][Wang+,VLDB’12] 古典的な密頂点集合のモデルは,次数・距離 (𝑘-core, quasi-clique, 𝑘-plex, 𝑛-clique, …) → あんまり接続してなくても 1 つにされちゃう 防止するため,三角形で制約を行う新しいモデル 次数≧5,距離≦3 だ…手強い… → こういうのを分断できる 24
26.
4. 密部分グラフ列挙 𝒌-core
[Seidman,’83] 各頂点の次数 𝑘 以上になるような部分グラフ 𝒌-truss [Cohen,’08][Wang+,VLDB’12] 各辺が 𝑘 − 2 個の三角形に含まれるような部分グラフ (それぞれ,部分グラフ内での次数・個数,ということに注意) 𝒌-core 全頂点次数≧5 より,全体で 5-core. 𝒌-truss 真ん中の辺は三角形 0 個より,分断. 両側は 6-truss. 𝑘-truss は 𝑂 𝑚1.5 ですべての 𝑘 に関して列挙できる (三角形列挙の計算量と一致) 25
27.
5. 可視化 LGL:
Large Graph Layout [Adai+’04] http://lgl.sourceforge.net/ 数十万頂点のタンパク質ネットワークを可視化する目的 最もスケールする公開ソフトウェアの 1 つ (sfdpのほうが凄い?) [Adai+’04, Fig.4] “インターネット地図” [www.opte.org] 26
28.
5. 可視化 1.
基本はバネモデル バネモデルは古典的ながら実は未だに最前線っぽい (計算の効率化などの工夫は行われている) 辺があるところは 辺が無いところは 引力(バネ;フックの法則) 斥力(クーロン力) (LGL は斥力はバケット法で適当に処理) ただし,スケールさせるため, 2. 最小全域木を作り,中央から配置 (木っぽさを活用している?) [Adai+’04, Fig.1] 27
29.
6. 最短経路クエリ:厳密 木分解に基づく最短路クエリ [Wei,SIGMOD’10][Akiba+,EDBT’12] • ヒューリスティクスで木分解
– Fringe (Tendril) 部分がうまく分解される – Core 部分は諦める (Relaxed Tree-Decomposition) • 最短路行列を各バッグに対して前計算 • クエリには LCA まで DP して答える tree-like fringes を活用している 28
30.
6. 最短経路クエリ:近似 ランドマークを用いた推定 [Potamias+,CIKM’09]等
s t • 頂点集合 𝐿:ランドマーク • 𝑑 𝐺 𝑙, 𝑣 (𝑙 ∈ 𝐿, 𝑣 ∈ 𝑉)を前計算 • クエリ 𝑠, 𝑡 には,以下を答える – min 𝑑 𝐺 𝑠, 𝑙 + 𝑑 𝐺 (𝑙, 𝑡) 𝑙∈𝐿 – すなわち,ランドマークを経由した距離の最小値 ランドマークに,中心的な頂点を選ぶようにすると, 平均誤差は驚くほど小さくなる tendril→core→tendril なので,かなりそれらを通るから 29
31.
まとめ(話したこと) • ネットワークの性質
– 次数分布,平均距離,クラスター係数 – 木っぽさ • それを活用したアルゴリズム – 理論系:中心性,ルーティング,支配集合 – 実装系:密部分グラフ,可視化,最短路 ありがとうございました (・__________・)/またね 30
Jetzt herunterladen