[論文レビュー] Autoregressive Networks

Binyan Jiang, Jialiang Li+1 more|arXiv (Cornell University)|Oct 9, 2020

Complex Network Analysis Techniques参考文献 22被引用数 13

ひとこと要約

本稿では、エッジが離散時間にわたり変化するがノードは固定された動的ネットワークに対して、1次マルコフ連鎖（AR(1)）モデルを提案する。このモデルにより、時間的依存性を明示的にモデル化できる。本手法は、効率的な最尤推定、置換に基づく診断検定、および有限標本条件下で完全なコミュニティ回復を達成する新規スペクトルクラスタリング法をサポートする。応用例として、実世界のネットワークにおける構造的変化検出が含まれる。

ABSTRACT

We propose a first-order autoregressive (i.e. AR(1)) model for dynamic network processes in which edges change over time while nodes remain unchanged. The model depicts the dynamic changes explicitly. It also facilitates simple and efficient statistical inference methods including a permutation test for diagnostic checking for the fitted network models. The proposed model can be applied to the network processes with various underlying structures but with independent edges. As an illustration, an AR(1) stochastic block model has been investigated in depth, which characterizes the latent communities by the transition probabilities over time. This leads to a new and more effective spectral clustering algorithm for identifying the latent communities. We have derived a finite sample condition under which the perfect recovery of the community structure can be achieved by the newly defined spectral clustering algorithm. Furthermore the inference for a change point is incorporated into the AR(1) stochastic block model to cater for possible structure changes. We have derived the explicit error rates for the maximum likelihood estimator of the change-point. Application with three real data sets illustrates both relevance and usefulness of the proposed AR(1) models and the associate inference methods.

研究の動機と目的

• 時間的に変化するエッジをもつがノードが固定された動的ネットワークの統計的に取り扱いやすい1次マルコフ連鎖モデルの開発。
• 最尤推定および置換検定による診断チェックを含む、効率的かつ一貫性のある統計的推論の実現。
• 時間経過に伴う遷移確率を活用することで、潜在的コミュニティ検出を向上させる新規スペクトルクラスタリング法の提案。
• AR(1)確率的ブロックモデルに変化点検出を統合し、ネットワークダイナミクスにおける構造的シフトの同定を可能にする。
• 完全なコミュニティ回復のための有限標本条件の確立および変化点推定の明示的誤差率の導出。

提案手法

• エッジ確率が時間 $ t $ において時間 $ t-1 $ のエッジ状態に線形に依存するAR(1)モデルを定式化。この際、ノイズ項は独立と仮定する。
• AR(1)構造下で自己相関係数およびモデルパラメータの推定にYule-Walker方程式を適用する。
• 静的接続確率ではなく、時間的遷移確率を用いる新規スペクトルクラスタリング法を開発する。
• 変化点探索における一貫性のないコミュニティ推定を処理するための切断技術を採用し、誤差率の有界性を実現する。
• 変化点検出に最尤推定（MLE）を用い、明示的な誤差率の理論的導出を実施する。
• AR(1)構造の明示的ダイナミクスを活用し、適合モデルの診断チェックに置換検定を組み込む。

実験結果

リサーチクエスチョン

• RQ1 シンプルなAR(1)モデルは、エッジの時間的変化ダイナミクスを捉えつつ、効率的な統計的推論を可能にするか？
• RQ2 AR(1)構造は、静的モデルよりも性能向上を実現する新規スペクトルクラスタリング法の実現を可能にするか？
• RQ3 提案されたスペクトルクラスタリングが真のコミュニティ構造を完全に回復できる有限標本条件は何か？
• RQ4 AR(1)確率的ブロックモデルに変化点検出を効果的に統合する方法は何か？また、MLE推定量の誤差率はどのようになるか？
• RQ5 提案手法は、社会的ネットワークや通信ネットワークなどの実世界の動的ネットワークにおいて、意味のある構造的シフトを検出できるか？

主な発見

• 提案されたスペクトルクラスタリング法は、本稿で導出された有限標本条件下で、潜在的コミュニティ構造を完全に回復する。
• AR(1)モデルにより、MCMCベースの手法とは異なり、最尤推定の直接的かつ一様な誤差率推定が可能である。
• AR(1)モデルの明示的ダイナミクスのおかげで、モデル診断チェックのための置換検定が実現可能かつ有効である。
• フランスの高校データセットでは、本手法が0.36秒でコミュニティを検出できた。これはdynsbmの252.39秒よりも著しく高速で、高い精度を達成した。
• Enronメールデータセットでは、2001年10月に1つの変化点が検出された。これは破産発表時期と一致し、実世界的妥当性を裏付けた。
• MLEに基づく変化点推定量は、明示的かつ非漸近的な誤差率を達成しており、検出精度に関する理論的保証を提供する。