[論文レビュー] Bayesian Learning of Dynamic Multilayer Networks

Daniele Durante, Nabanita Mukherjee+1 more|arXiv (Cornell University)|Aug 7, 2016

Bayesian Methods and Mixture Models参考文献 33被引用数 8

ひとこと要約

本稿では、共有およびレイヤー固有の潜在的位置を用いてエッジ確率を統合的にモデル化し、ガウス過程を用いた時系列的変動を考慮するベイジアンノンパラメトリックモデルを提案する。この手法により、柔軟かつ効率的な推論が可能となり、シミュレートされたデータおよび実際の面と面の接触データにおけるエッジ予測とネットワーク再構築において、既存の手法を上回る性能を発揮する。

ABSTRACT

A plethora of networks is being collected in a growing number of fields, including disease transmission, international relations, social interactions, and others. As data streams continue to grow, the complexity associated with these highly multidimensional connectivity data presents novel challenges. In this paper, we focus on the time-varying interconnections among a set of actors in multiple contexts, called layers. Current literature lacks flexible statistical models for dynamic multilayer networks, which can enhance quality in inference and prediction by efficiently borrowing information within each network, across time, and between layers. Motivated by this gap, we develop a Bayesian nonparametric model leveraging latent space representations. Our formulation characterizes the edge probabilities as a function of shared and layer-specific actors positions in a latent space, with these positions changing in time via Gaussian processes. This representation facilitates dimensionality reduction and incorporates different sources of information in the observed data. In addition, we obtain tractable procedures for posterior computation, inference, and prediction. We provide theoretical results on the flexibility of our model. Our methods are tested on simulations and infection studies monitoring dynamic face-to-face contacts among individuals in multiple days, where we perform better than current methods in inference and prediction.

研究の動機と目的

• 動的マルチレイヤーネットワークのための柔軟な統計モデルの不足を解消し、レイヤー間、時間経過、およびネットワーク内での情報共有を可能にする。
• 共有およびレイヤー固有の潜在位置を用いてエッジ確率を統合的にモデル化する、実行可能なベイジアンフレームワークを構築する。
• アクターの潜在空間内での位置の時系列的変動を、ガウス過程の事前分布を用いてモデル化する。
• 複雑で多次元的なネットワークデータに対して、効率的な事後分布計算とアウトオブサンプル予測を可能にする。
• 動的およびマルチレイヤーネットワーク設定において、既存手法と比較して推論および予測の精度を向上させる。

提案手法

• エッジ確率は、共有およびレイヤー固有の潜在空間内でのアクター間の類似度に基づいて定義される。
• 共有潜在座標は、グローバルな平均と階層的スパarsity誘導事前分布を用いてモデル化され、スパarsityを促進するとともに情報共有を強化する。
• レイヤー固有の座標は、各レイヤーごとに独立にモデル化され、独自のガウス過程事前分布を用いて、ユニークな構造的パターンを捉える。
• アクターの位置の時系列的変動は、ガウス過程を用いてモデル化され、時間経過に伴う滑らかで柔軟なダイナミクスを可能にする。
• ポリア-ガンマのデータ拡張スキームにより、ギブスサンプリングを用いた効率的な事後分布計算が可能になる。
• 事後推論は、共有座標、レイヤー固有座標、およびハイパーパramータを繰り返し更新するブロックギブスサンプラーを用いて実行される。

実験結果

リサーチクエスチョン

• RQ1 統一された統計モデルは、動的マルチレイヤーネットワークにおいて、レイヤー間、時間経過、およびネットワーク内での情報共有を効果的に行うことができるか？
• RQ2 潜在空間表現を用いたベイジアンノンパラメトリックアプローチは、動的マルチレイヤーネットワークにおけるエッジ予測精度を向上させることができるか？
• RQ3 時系列的ダイナミクスにガウス過程を組み込むことで、進化するネットワーク構造のモデリングがどの程度向上するか？
• RQ4 共有およびレイヤー固有の潜在構造は、各レイヤーを独立に扱うモデルと比較して、推論性能をどの程度向上させるか？
• RQ5 提案手法は、シミュレーションおよび実世界の応用において、既存の最先端手法を上回る性能を示すことができるか？

主な発見

• 提案モデルは、シミュレートされたデータおよび実世界の動的マルチレイヤーネットワークにおいて、既存手法と比較して顕著に優れたエッジ予測精度を達成した。
• 面と面の接触を含む実際の感染症研究データにおいて、ネットワーク構造の再構築および将来のエッジ予測において、優れた性能を発揮した。
• 共有およびレイヤー固有の潜在座標の使用により、効果的な情報共有が可能になりつつ、レイヤー固有のネットワーク構造の柔軟なモデリングが実現された。
• 時系列的ダイナミクスにガウス過程事前分布を適用することで、時間経過に伴う滑らかで非パラメトリックなネットワーク進化のモデリングが可能になった。
• ポリア-ガンマのデータ拡張とブロックギブスサンプリングの組み合わせにより、事後分布計算が実行可能となり、効率的な推論が可能になった。
• 理論的結果により、モデルの柔軟性および複雑で多次元的なネットワークデータへの適応能力が裏付けられた。