[論文レビュー] Bayesian Poisson Tucker Decomposition for Learning the Structure of International Relations

Aaron Schein, Mingyuan Zhou+2 more|arXiv (Cornell University)|Jun 6, 2016

Tensor decomposition and applications参考文献 26被引用数 32

ひとこと要約

本稿では、スパースで多次元的な国際的相互作用イベントデータから、重複する国-コミュニティ所属関係、トピック別に特化した有向コミュニティ-コミュニティ相互作用ネットワーク、および時間的レジームを学習する確率的テンソル因子分解モデルであるベイジアンポアソンタッカー分解（BPTD）を提案する。BPTDは、BTFのようなCPベースのモデルと比較して、予測性能が優れており、現実の国際関係と整合する解釈可能な潜在的構造を実現する。

ABSTRACT

We introduce Bayesian Poisson Tucker decomposition (BPTD) for modeling country--country interaction event data. These data consist of interaction events of the form "country $i$ took action $a$ toward country $j$ at time $t$." BPTD discovers overlapping country--community memberships, including the number of latent communities. In addition, it discovers directed community--community interaction networks that are specific to "topics" of action types and temporal "regimes." We show that BPTD yields an efficient MCMC inference algorithm and achieves better predictive performance than related models. We also demonstrate that it discovers interpretable latent structure that agrees with our knowledge of international relations.

研究の動機と目的

• 時間の経過に伴う国同士の行動を表すスパースで多次元的な国-国相互作用イベントデータをモデル化すること。
• 事前にコミュニティ数を指定せずに、重複する国-コミュニティ所属関係を発見すること。
• トピック別および時間的レジーム別に特化した有向コミュニティ-コミュニティ相互作用ネットワークを学習すること。
• 大規模でスパースな相互作用データにスケーラブルな効率的なMCMC推論アルゴリズムを開発すること。
• 学習された潜在的構造が、知られている国際的地理的グループ化（例：OPEC、NATO、地域連携）や相互作用パターンと整合するかを検証すること。

提案手法

• BPTDは、相互作用イベントのカウントテンソルをポアソン尤度とタッカー分解構造を用いてモデル化する。
• モデルは4次元テンソルを、3つの要因行列（国-コミュニティ、行動-トピック、時間-レジーム）と、3つのすべての次元における相互作用を捉えるコアテンソルに分解する。
• 国-コミュニティ割り当てに対称ディリクレ事前分布を用いた確率的変分ベイズ推論により、潜在的コミュニティ所属関係を学習する。
• コアテンソル $\lambda^{(r)}_{c\xrightarrow{k}d}$ は、トピック $k$ およびレジーム $r$ におけるコミュニティ $c$ と $d$ 間の有向相互作用レートを符号化する。
• 共役事前分布とギブスサンプリングを用いた効率的なMCMC推論アルゴリズムが導出され、合成的割り当てが可能となり、スケーラビリティが向上する。
• コミュニティ数にChinese Restaurant Process事前分布を用いることで、非パラメトリック推論が可能となり、コミュニティ数の自動発見が可能となる。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンテンソル分解モデルは、スパースな国際的相互作用データから重複するコミュニティ所属関係を効果的に学習できるか？
• RQ2 モデルは国-国相互作用におけるトピック別および時間的レジーム別パターンをどれほどよく捉えられるか？
• RQ3 推論された潜在的構造は、OPEC やNATO や地域連携といった既知の地理的・政治的グループ化と整合するか？
• RQ4 BTF（ベイジアンテンソル因子分解）のような既存のモデルと比較して、BPTDの予測性能はどの程度優れているか？
• RQ5 モデルは、現実の協力や対立のダイナミクスを反映する、解釈可能で意味のあるコミュニティ間相互作用ネットワークを発見できるか？

主な発見

• BPTDは、ホールドアウトされた相互作用イベントカウントにおいて、BTFおよび他の2つのベースラインと比較して顕著に優れた予測性能を達成しており、スパースデータにおける一般化性能の向上を示している。
• モデルは、東ヨーロッパ、ラテンアメリカ、中央アジアといった明確な地理的解釈を持つ15の潜在的コミュニティを効果的に発見しており、既知の地域的グループ化と整合している。
• 『相談』および『協力するつもり』というトピックにおけるコミュニティ-コミュニティ相互作用ネットワークは対称的であり、協力的相互作用の相互性が示唆される。
• 米国、中国、ロシアといった国々は、それぞれ独自で小さなコミュニティ（例：コミュニティ1、6、7）に属しており、主にコミュニティ間の相互作用に従事している。
• コミュニティ9や15のような大きなコミュニティでは、内部の相互作用重みが高いため、強い内部結束性が示されている。
• 推論された構造は、協力（例：相談）が本質的に相互的であることを示しており、トピック別に分割されたネットワークにおける対称的相互作用パターンから明らかになっている。