[論文レビュー] A Review of Latent Space Models for Social Networks

Juan Sosa, Lina Buitrago|arXiv (Cornell University)|Dec 3, 2020

Complex Network Analysis Techniques参考文献 39被引用数 4

ひとこと要約

この論文は、無向・二値ネットワークにおける距離モデル、クラスモデル、固有値モデルを含む潜在空間モデルをレビューする。MCMCを用いたベイズ推論とWAICを用いたモデル選択により、固有値モデルが多様なネットワーク構造において優れた適合度と予測性能を示し、特に複雑でクラスタ構造を示すネットワークで他のモデルを上回ることを示している。

ABSTRACT

In this paper, we provide a review on both fundamentals of social networks and latent space modeling. The former discusses important topics related to network description, including vertex characteristics and network structure; whereas the latter articulates relevant advances in network modeling, including random graph models, generalized random graph models, exponential random graph models, and social space models. We discuss in detail several latent space models provided in literature, providing special attention to distance, class, and eigen models in the context of undirected, binary networks. In addition, we also examine empirically the behavior of these models in terms of prediction and goodness-of-fit using more than twenty popular datasets of the network literature.

研究の動機と目的

• 潜在空間モデルの体系的レビューを提供し、理論的基盤と実用的応用に焦点を当てる。
• 実世界のネットワークデータセットにおける主な潜在空間モデル（距離モデル、クラスモデル、固有値モデル）の予測性能および適合度の観点から性能を評価する。
• 複雑なネットワークモデルにおけるパラメータ推定とモデル適合のため、マルコフ連鎖モンテカルロ（MCMC）を用いたベイズ推論を適用する。
• 階層的ネットワークモデルにおける最適な潜在次元の特定に役立てるため、WAICやDICといったモデル選択基準を評価する。
• クラスタ構造や推移性のパターンを含む多様なネットワークトポロジーにおいて、各モデルタイプの長所と短所を特定する。

提案手法

• 潜在空間モデルにおけるモデルパラメータの事後分布推定に、マルコフ連鎖モンテカルロ（MCMC）を用いたベイズ推論を採用する。
• 階層的モデルにおける再パラメータ化不変性を考慮し、モデル選択にWatanabe-Akaike情報量基準（WAIC）を用いる。
• 補助的なモデル選択ツールとして、事後期待値に基づくペナルティ項を有するデヴァイアンス情報基準（DIC）を適用する。
• K次元のユークリッド空間における潜在位置を用いてネットワーク構造をモデル化し、距離が近いほど関係形成の確率が高くなるように設定する。
• 二値・無向ネットワークに適応するため、二元関係を距離に基づくまたはコミュニティに基づくリンク確率で表現する。
• 潜在位置およびモデルパラメータのための事前分布を特定し、複雑なネットワーク構造の正則化に階層的事前分布を用いる。

実験結果

リサーチクエスチョン

• RQ1 距離モデル、クラスモデル、固有値モデルは、多様な社会的ネットワークデータセットにおいて、適合度および予測精度の観点でどのように性能を発揮するか？
• RQ2 階層的潜在空間モデルにおいて、最適な潜在次元Kを特定するにあたり、WAICとDICのどちらがより適切なモデル選択基準となるか？
• RQ3 固有値モデルは、距離モデルおよびクラスモデルの性質をどの程度一般化し、クラスタ構造や推移性といったネットワーク構造を捉えるのに寄与するか？
• RQ4 潜在次元Kはモデル適合度および予測性能にどのように影響を及ぼすか？また、Kを事後分布を持つ確率変数として扱うことは可能か？
• RQ5 実証的評価に基づくと、どのようなネットワーク状況でクラスモデルが距離モデルを上回り、逆に距離モデルがクラスモデルを上回るのか？

主な発見

• 固有値モデルは、WAICの観点から一貫して距離モデルおよびクラスモデルを上回り、多様なネットワーク構造において優れた適合度を示している。
• 距離モデルは、高い推移性を示すネットワークの表現に特に効果的である一方、クラスモデルは極めてクラスタ構造が強いネットワークで優れた性能を発揮する。
• 階層的潜在空間モデルにおいては、再パラメータ化不変性と有効自由度の適切な扱いを考慮すると、BICに比べてWAICがモデル選択に優れている。
• 潜在次元Kは、分析対象の20以上のデータセットすべてにおいて、WAICによる選択が最良であり、AUCを最小化する最小のKが最適である。
• 固有値モデルは、距離モデルおよびクラスモデルを定性的に一般化しており、その広範な適用可能性と高いロバストネスを説明している。
• Kを事後分布を持つモデルパラメータとして扱うことは可能であり、最近の文献（例：Guhaniyogi & Rodriguez, 2020）で示される非パラメトリック拡張と整合的である。