[論文レビュー] Change point localization in dependent dynamic nonparametric random dot product graphs

Oscar Hernán Madrid Padilla, Yi Yu+1 more|arXiv (Cornell University)|Nov 18, 2019

Advanced Causal Inference Techniques参考文献 44被引用数 11

ひとこと要約

本稿では、時間的およびエッジ単位の依存性を有する動的ネットワークを従属的な非パラメトリックランダムドットプロダクトグラフ（RDPG）としてモデル化し、潜在的位置が時間的に区分的定数として変化する状況において、一貫した変化点局所化を実現する新規な2段階手法を提案する。この手法は、洗練された潜在位置推定と、時間的依存性を考慮した非パラメトリックCUSUM統計量を組み合わせており、理論的一貫性とシミュレーションにおける最先端の性能を達成している。

ABSTRACT

In this paper, we study the offline change point localization problem in a sequence of dependent nonparametric random dot product graphs. To be specific, assume that at every time point, a network is generated from a nonparametric random dot product graph model \citep[see e.g.][]{athreya2017statistical}, where the latent positions are generated from unknown underlying distributions. The underlying distributions are piecewise constant in time and change at unknown locations, called change points. Most importantly, we allow for dependence among networks generated between two consecutive change points. This setting incorporates edge-dependence within networks and temporal dependence between networks, which is the most flexible setting in the published literature. To accomplish the task of consistently localizing change points, we propose a novel change point detection algorithm, consisting of two steps. First, we estimate the latent positions of the random dot product model, our theoretical result being a refined version of the state-of-the-art results, allowing the dimension of the latent positions to diverge. Subsequently, we construct a nonparametric version of the CUSUM statistic \citep[e.g.][]{Page1954, padilla2019optimal} that allows for temporal dependence. Consistent localization is proved theoretically and supported by extensive numerical experiments, which illustrate state-of-the-art performance. We also provide in depth discussion of possible extensions to give more understanding and insights.

研究の動機と目的

• 時間的およびエッジ単位の依存性を有する動的ネットワークにおける変化点局所化の課題に対処すること。
• 非パラメトリックRDPGモデルの潜在分布における変化を理論的に裏付けられた手法で検出すること。
• 潜在次元の発散を許容しつつも、一貫した変化点局所化を維持すること。
• 先行研究における主なギャップである時間的依存性を組み込むことで、既存手法を拡張すること。
• シミュレーションにおいて既存手法を上回る、強力で非パラメトリックなフレームワークを提供すること。

提案手法

• 発散次元を許容する洗練されたスペクトル法を用いてRDPGモデルの潜在位置を推定する。
• 推定された潜在位置に基づき、非パラメトリックCUSUM統計量を構築して変化を検出する。
• 漸近理論を用いて、時間的依存性を修正されたCUSUM検定統計量で補正する。
• 2段階手順を採用：まず潜在位置を推定し、その後推定された系列に対して変化点検出を実行する。
• 理論的分析により、一般な依存性仮定の下で変化点局所化の一貫性を確立する。
• 多数のネットワークシナリオ（コミュニティ構造の変化やエッジ確率の変化を含む）における広範なシミュレーションを通じて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 時間的およびエッジ単位の依存性を有する動的RDPGネットワークにおいて、一貫した変化点局所化が達成可能か？
• RQ2 既存手法と比較して、潜在次元が発散する状況下での本手法の性能はいかがなものか？
• RQ3 時間的依存性は、非パラメトリックネットワークモデルにおける変化点検出の正確性にどのような影響を与えるか？
• RQ4 コミュニティ構造の変化やエッジ確率のシフトを、動的ネットワークで検出可能か？
• RQ5 NBSやMNBSといった最先端の競合手法と比較して、本手法の局所化精度はどの程度か？

主な発見

• 提案手法NonPar-RDPG-CPDは、時間的依存性のもとでも一貫した変化点局所化を達成し、理論的保証を有する。
• シミュレーションでは、すべてのシナリオにおいてNBSおよびMNBSを上回る性能を示し、n=300およびσ²=1.5の条件下でmedian |K - K̂| = 0.2を達成した。
• コミュニティ構造の変化（シナリオ5）においても、d(Ĉ|C) = 1.0およびd(C|Ĉ) = 1.0（n=300）という低誤差率を維持した。
• 追加のシミュレーション設定において、ジャンプサイズの変動に対してもロバストであり、σ² ∈ {1.5, 2.0, 2.5} の範囲で一貫した性能を示した。
• 本手法は、エッジ生成が独立から時間的依存に変わった場合でも、変化を正しく検出できた。
• 理論的結果は、先行研究を拡張し、潜在次元の発散を許容するとともに、CUSUM検定に時間的依存性を組み込んだ。