[論文レビュー] A Bayesian approach to out-of-sample network reconstruction

Mattia Marzi, Squartini, Tiziano|arXiv (Cornell University)|Feb 25, 2026

Complex Systems and Time Series Analysis被引用数 0

ひとこと要約

要約: 本論文は、過去のスナップショットを事前分布として用い、進化するネットワークを推定・予測するベイズフレームワークを開発し、分布外推定と不確実性の定量化を可能にする。eMIDの銀行間市場で実証。

ABSTRACT

Networks underpin systems that range from finance to biology, yet their structure is often only partially observed. Current reconstruction methods typically fit the parameters of a model anew to each snapshot, thus offering no guidance to predict future configurations. Here, we develop a Bayesian approach that uses the information about past network snapshots to inform a prior and predict the subsequent ones, while quantifying uncertainty. Instantiated with a single-parameter fitness model, our method infers link probabilities from node strengths and carries information forward in time. When applied to the Electronic Market for Interbank Deposit across the years 1999-2012, our method accurately recovers the number of connections per bank at subsequent times, outperforming probabilistic benchmarks designed for analogous, link prediction tasks. Notably, each predicted snapshot serves as a reliable prior for the next one, thus enabling self-sustained, out-of-sample reconstruction of evolving networks with a minimal amount of additional data.

研究の動機と目的

• 部分的に観測されたネットワークの再構成の動機づけと、アウトオブサンプル予測の必要性。
• 情報を時系列で伝播させるためにUndirected Binary Configuration Modelのベイズ拡張を提案。
• 過去データから将来のリンク確率を推定する単一パラメータのベイズモデル（BERMとBFM）を導入。
• eMIDの銀行間市場でアプローチを実証し、将来のトポロジーを予測し不確実性を評価。

提案手法

• Undirected Binary Configuration ModelをP(x|A)と事後予測分布P(A_{t+1}|A_t)を用いてベイズフレームワークに変換。
• zを周辺化してエッジ条件付き確率q_{ij}^{t+1}の解析表現を導出し、前方推論を可能にする（式(9)）。
• Beta事前分布を用いてベイズErdős–Rényiモデル(BERM)を具体化し、L_{t+1}のBeta-binomial予測を得る。
• 密度補正重力モデルに基づくBFMを、適合度をノード強度として用い、経験的履歴からzの事前分布を導出。

実験結果

リサーチクエスチョン

• RQ1 過去のネットワークのスナップショットは、将来のネットワーク構成を予測するための事前分布としてどのように情報提供できるか。
• RQ2 ベイズ定式化は、不確実性の定量化を伴う信頼性の高いアウトオブサンプルのネットワーク再構成を可能にするか。
• RQ3 単一パラメータの異質モデル（BERMとBFM）は、将来のリンク予測と次数系列の再現性を向上させ、インサンプル手法を上回るか。
• RQ4 モデルが自分自身の過去予測のみを事前分布として使用する自己持続推論は、実測隣接行列を使用した場合と比較してどう機能するか。
• RQ5 実データの金融ネットワークに対して、ベイズ的アプローチの予測性能はインサンプルdcGMと比較してどうか。

主な発見

• BERMとBFMのいずれも時間とともにリンク総数を回復する。BFMは次数の不均一性をより良く捉える。
• BFMはROC/AUROCとジャカード指数に基づく評価を可能にする非自明なリンクランキングを提供する一方、BERMはペアを均一に扱う。
• BFMはBERMより高い精度と良好な次数列の再現性を示し、平均ACCは約0.80程度だがランキング指標はBFMの方が上。
• 予測集合に由来する自己持続推論（ priorが観測ネットワークではなく予測集合から進化する）は、真の隣接行列を用いた場合に近い予測を生む。
• インサンプルdcGMと比較して、ベイズ予測子は平均的な性能に匹敵し、多くのスナップショットで上回る，特にエッジレベルの指標で。