[論文レビュー] A supervised approach to time scale detection in dynamic networks

Benjamin Fish, Rajmonda S. Caceres|arXiv (Cornell University)|Feb 24, 2017

Complex Network Analysis Techniques参考文献 17被引用数 11

ひとこと要約

本稿では、ラベル付き学習データを用いてタスク固有のパフォーマンスに基づき、ウィンドウの粒度を最適化することで、動的ネットワークにおける時間スケール検出のための教師ありフレームワークを提案する。このアプローチは、タスク依存の真値を活用することで、リンク予測および属性予測において教師なしベースラインを上回る性能を示すが、変化点検出のような低データ環境では訓練信号が限られるため、性能が低下する。

ABSTRACT

For any stream of time-stamped edges that form a dynamic network, an important choice is the aggregation granularity that an analyst uses to bin the data. Picking such a windowing of the data is often done by hand, or left up to the technology that is collecting the data. However, the choice can make a big difference in the properties of the dynamic network. This is the time scale detection problem. In previous work, this problem is often solved with a heuristic as an unsupervised task. As an unsupervised problem, it is difficult to measure how well a given algorithm performs. In addition, we show that the quality of the windowing is dependent on which task an analyst wants to perform on the network after windowing. Therefore the time scale detection problem should not be handled independently from the rest of the analysis of the network. We introduce a framework that tackles both of these issues: By measuring the performance of the time scale detection algorithm based on how well a given task is accomplished on the resulting network, we are for the first time able to directly compare different time scale detection algorithms to each other. Using this framework, we introduce time scale detection algorithms that take a supervised approach: they leverage ground truth on training data to find a good windowing of the test data. We compare the supervised approach to previous approaches and several baselines on real data.

研究の動機と目的

• 動的ネットワークにおける最適な集約ウィンドウサイズ（時間スケール）の選定という課題に取り組むこと。これは、ネットワーク解析の結果に顕著な影響を与える。
• 最適な時間スケールが本質的にタスク依存であり、リンク予測、属性予測、変化点検出といった目的によって異なることを示すこと。
• 下流の分析タスクにおけるパフォーマンスを測定することで、ウィンドウングアルゴリズムを直接比較できる新しいフレームワークを導入すること。
• ラベル付き学習データから学習し、タスク固有のパフォーマンスを最大化する時間スケールを選択する教師ありウィンドウングアルゴリズムを開発すること。
• 実世界の動的ネットワークデータセットにおいて、教師ありアプローチが教師なしベースラインを上回ることを検証すること。

提案手法

• フレームワークは、時間スケール検出を教師あり機械学習問題として扱い、特定の分析タスクのラベル付き学習セットにおけるパフォーマンスに基づいてウィンドウパラメータを最適化する。
• 各タスク（リンク予測、属性予測、変化点検出）に対して、ラベル付きデータを用いてテストデータの最適なウィンドウサイズを選択するモデルを学習する。
• ウィンドウングの質は、下流タスクのパフォーマンスを測定することで評価され、これにより異なるウィンドウングアルゴリズム間の直接比較が可能になる。
• 重み付きおよび非重み付きの両バージョンの教師ありウィンドウングアルゴリズムを採用し、ハイパーパrameter B と M がテストするウィンドウサイズの数を制御する。
• 複数の実世界のデータセット（Reality Mining, Haggle など）でパフォーマンスを評価し、結果を連続する時間インターバルにわたって集約することで、安定性を評価する。
• ウィンドウサイズへの感受性は、連続するデータインターバル間でのパフォーマンススコアの差を測定することで分析され、タスク固有の安定性を示す。

実験結果

リサーチクエスチョン

• RQ1 動的ネットワーク解析における最適な時間スケールは、下流の分析タスクに依存するか？
• RQ2 タスクパフォーマンスに基づいて、時間スケール検出アルゴリズムを直接比較・最適化できる教師あり学習フレームワークは構築可能か？
• RQ3 異なるネットワーク分析タスクにおいて、教師ありウィンドウングのパフォーマンスは教師なしベースラインを上回るか？
• RQ4 訓練データの品質が、特に低データ環境において、教師あり時間スケール検出のパフォーマンスにどの程度影響を与えるか？
• RQ5 異なるウィンドウング戦略のパフォーマンスは、タスクごとにウィンドウサイズの変化に対してどの程度感受性を示すか？

主な発見

• 教師ありアプローチは、リンク予測および属性予測タスクにおいて、教師なしベースラインを顕著に上回り、タスク固有の最適化の価値を示している。
• 重み付きバージョンの教師ありアルゴリズムが全体で最高のパフォーマンスを達成したが、Haggleデータセットでは過学習のため性能が劣った可能性がある。
• 変化点検出はウィンドウサイズに最も感受性が高く、小さなサイズの変更に対してもパフォーマンスが著しく変動し、最適化が困難であることが判明した。
• 過去のパフォーマンスが将来のパフォーマンスを予測するという仮定は、変化点検出においてはあまり妥当ではなく、連続するインターバル間でのスコア差が大きいため、一般化性能が低いことが示された。
• ハイパーパrameter B と M（テストするウィンドウサイズの数）を増加させるとパフォーマンスがわずかに向上したが、その恩恵は弱く、実際の応用では小さな固定値を用いることが妥当であることを裏付けた。
• 結果は、ウィンドウングがタスク依存であることを確認した。リンク予測に最適なウィンドウサイズは、変化点検出に最適なものとは異なり、普遍的な最適時間スケールの仮定に反する。