[論文レビュー] Change-point detection in dynamic networks via graphon estimation

Zifeng Zhao, Li Chen+1 more|arXiv (Cornell University)|Aug 5, 2019

Complex Network Analysis Techniques参考文献 29被引用数 23

ひとこと要約

本稿では、修正近傍スムージング（MNBS）アルゴリズムを用いたグラフオン推定を用いて、動的ネットワークにおけるモデルフリーな変化点検出手法を提案する。時間的構造とリンク確率行列の推定を活用することで、平均化に基づく手法と比較してより高速な収束と優れた検出精度を達成し、理論的一貫性と合成および実世界のネットワークにおける頑健な実験的性能を有する。

ABSTRACT

We propose a general approach for change-point detection in dynamic networks. The proposed method is model-free and covers a wide range of dynamic networks. The key idea behind our approach is to effectively utilize the network structure in designing change-point detection algorithms. This is done via an initial step of graphon estimation, where we propose a modified neighborhood smoothing~(MNBS) algorithm for estimating the link probability matrices of a dynamic network. Based on the initial graphon estimation, we then develop a screening and thresholding algorithm for multiple change-point detection in dynamic networks. The convergence rate and consistency for the change-point detection procedure are derived as well as those for MNBS. When the number of nodes is large~(e.g., exceeds the number of temporal points), our approach yields a faster convergence rate in detecting change-points comparing with an algorithm that simply employs averaged information of the dynamic network across time. Numerical experiments demonstrate robust performance of the proposed algorithm for change-point detection under various types of dynamic networks, and superior performance over existing methods is observed. A real data example is provided to illustrate the effectiveness and practical impact of the procedure.

研究の動機と目的

• 従来の手法が制限的なパラメトリック仮定に依存するため、動的ネットワークにおける構造的変化を検出する課題に対処すること。
• ネットワーク構造を効果的に活用する非パラメトリックでモデルフリーなアプローチを構築し、変化点検出を改善すること。
• グラフオン推定および変化点検出手順の両方の理論的一貫性と収束速度を確立すること。
• ノード数が時系列点数を上回る高次元設定において、既存手法を上回ること。
• 合成および実世界の動的ネットワークにおける数値実験を通じて、頑健性と実用的有用性を示すこと。

提案手法

• 繰り返しの時系列観測とネットワーク構造を活用して、動的ネットワークにおけるリンク確率行列の推定に修正近傍スムージング（MNBS）アルゴリズムを提案する。
• グラフオン推定に基づくスクリーニングおよびしきい値処理手順を用いて、動的ネットワークにおける複数の変化点を検出する。
• 局所平均リンク確率行列間の距離測度 $ d_{2,ackslash infty} $ を用いて変化点を特定し、しきい値 $ \Delta_D $ を設定する。
• 2段階の手順を採用する：まずMNBSを用いてグラフオンを推定し、次に局所ウィンドウ統計を用いて潜在的な変化点をスクリーニングする。
• 変化が予期されない領域（$ h $-フラットポイント）の概念を導入し、変化点候補の統計的検定を可能にする。
• 理論的分析により、形式的な統計的枠組みの下でMNBSおよび変化点検出手順の両方の一致性と収束速度を確立する。

実験結果

リサーチクエスチョン

• RQ1 パラメトリック仮定に依存する手法と比較して、モデルフリーなアプローチは動的ネットワークにおける変化点検出をより効果的に行えるか？
• RQ2 時間的相関とネットワーク構造を組み込むことで、変化点検出の収束速度はどのように向上するか？
• RQ3 提案手法の変化点検出手順の理論的一貫性と収束速度は何か？
• RQ4 MNBSアルゴリズムは、動的ネットワークにおけるリンク確率行列推定において、標準的近傍スムージングと比較してどのように優れているか？
• RQ5 ノード数が時系列点数を上回る状況でも、複数の変化点を正確に検出できるか？

主な発見

• 提案手法は、ノード数が時系列点数を上回る場合に特に顕著に、平均化に基づく手法と比較して変化点検出の収束速度が速い。
• 理論的分析により、MNBSグラフオン推定子および変化点検出手順の両方が一貫していることが確認され、収束速度は $ n $, $ T $, および $ h $ に依存する。
• 数値実験では、さまざまなタイプの動的ネットワークにおいて頑健な性能を示し、既存手法と比較して優れた検出精度を達成した。
• 本手法は、実際の神経画像データセットにおいても変化点を正しく同定でき、神経科学分野における実用的有用性を示した。
• 正規性条件の下で、サンプルサイズが増加するにつれて、真の変化点をすべて正しく同定する確率および誤検出を除外する確率は1に収束する。
• スクリーニングおよびしきい値処理手順により、すべての真の変化点が $ h $ の近傍内に高確率で検出される。