[論文レビュー] A Perfect Sampling Method for Exponential Random Graph Models

Carter T. Butts|arXiv (Cornell University)|Oct 8, 2017

Markov Chains and Monte Carlo Methods参考文献 4被引用数 5

ひとこと要約

本稿では、非自明なエッジ依存性を有する指数型確率グラフモデル（ERGM）のための正確なサンプリング手法を、修正版コピング・フロム・ザ・パス（CFTP）アルゴリズムを用いて提示する。この手法により、複雑なモデルからの正確な確率変数の生成が可能になる。本手法はマコフグラフに成功裏に適用可能であり、非指数型パrameter化されたバイアスネットモデルへも拡張可能であり、近似シミュレーション手法に対する厳密な代替手段を提供する。

ABSTRACT

Generation of deviates from random models with non-trivial edge dependence is an increasingly important problem. Here, we introduce a method which allows perfect sampling from random models in exponential family form (exponential family random graph models), using a variant of Coupling From The Past. We illustrate the use of the method via an application to the Markov graphs, a family that has been the subject of considerable research. We also show how the method can be applied to a variant of the biased net models, which are not exponentially parameterized.

研究の動機と目的

• 非自明なエッジ依存性を有する指数型確率グラフモデルからの正確な確率変数の生成という課題に対処すること。
• MCMCバイアスが存在しない完全なサンプリング（正確なサンプリング）を保証するERGM用の手法を開発すること。
• 指数型分布族を超えるモデルへも完全なサンプリングの適用範囲を拡張し、非指数型パrameter化されたバイアスネットモデルのようなモデルを含めること。
• マコフグラフおよびバイアスネットモデルの変種への応用を通じて、本手法の実行可能性と正確性を示すこと。

提案手法

• 本手法は、複数のマルコフ連鎖を時間の逆方向に結合することで、完全なサンプリングを保証する完全シミュレーション技法であるコピング・フロム・ザ・パス（CFTP）の変種を用いる。
• アルゴリズムは指数型分布族モデルの十分統計量を尊重する結合メカニズムを構築し、すべての連鎖が同じ状態に合流することを保証する。
• 指数型分布族に属さないモデル（例：バイアスネットモデルの変種）に対しては、結合論理を非指数型パrameter化に対応させるように適応させつつ、正確性を維持する。
• 本手法は後向き結合戦略を用い、共通の過去の時刻から遡って連鎖を実行し、すべての経路が単一の状態に合流するまで継続する。
• 連鎖の合流が、定常分布からのサンプルであることを保証するために、単調性および確率的順序の性質に依存する。
• マコフグラフおよび非指数型バイアスネットモデル変種におけるシミュレーションを通じて、実装の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 非自明なエッジ依存性を有する指数型確率グラフモデルに対して、完全なサンプリング手法を構築できるか？
• RQ2 コピング・フロム・ザ・パスをどのように変更すれば、漸近的収束に依存せずにERGMにおいて正確なサンプリングを保証できるか？
• RQ3 完全なサンプリングフレームワークを指数型分布族に限らないモデルへ拡張できるか。特に、非指数型パrameter化を持つバイアスネットモデルのようなモデルへは？
• RQ4 マコフグラフのような現実的なネットワークモデルに完全なサンプリングを適用する際の計算的および実用的制限は何か？
• RQ5 本手法の性能は、標準的なMCMC手法と比較して、正確性および実行時間の観点でどのように異なるか？

主な発見

• 提案されたCFTPベースの手法は、MCMCベースのシミュレーションに内在するバイアスを排除し、指数型確率グラフモデルからの正確なサンプルを生成することに成功した。
• 結合プロセスにおいて合流が達成され、最終状態が目標となるERGM分布に正確に従うことが確認された。
• 本手法は、非自明なエッジ依存性を有するwell-studiedなモデルクラス、すなわちマコフグラフにも適用可能であり、実用的有用性を示した。
• 非指数型パrameter化されたバイアスネットモデルの変種に対しても本手法は適用可能であり、指数型分布族を超えた広範な適用可能性を示した。
• 単調性および確率的優位性の条件を満たす限り、アルゴリズムは正しさを保ち、理論的妥当性を確保した。
• 本手法は、サンプリングバイアスが推論に影響を及ぼす状況において特に価値がある、近似シミュレーション手法に対する厳密な代替手段を提供した。