[論文レビュー] Consistency of Maximum Likelihood for Continuous-Space Network Models.

Cosma Rohilla Shalizi, Dena Marie Asta|arXiv (Cornell University)|Nov 6, 2017

Complex Network Analysis Techniques参考文献 19被引用数 7

ひとこと要約

本稿は、自然な滑らかさおよび対称性の仮定の下で、連続空間ネットワークモデルにおける非パラメトリック最尤推定の一貫性を確立する。ノード数が増加するにつれて、ノードの位置、潜在空間分布、およびグラフ生成分布がすべて真の値に収束することを証明し、スケーラブルなネットワークモデリングの理論的基盤を提供する。

ABSTRACT

Network analysis needs tools to infer distributions over graphs of arbitrary size from a single graph. Assuming the distribution is generated by a continuous latent space model which obeys certain natural symmetry and smoothness properties, we establish three levels of consistency for non-parametric maximum likelihood inference as the number of nodes grows: (i) the estimated locations of all nodes converge in probability on their true locations; (ii) the distribution over locations in the latent space converges on the true distribution; and (iii) the distribution over graphs of arbitrary size converges.

研究の動機と目的

• 単一の観測済みグラフからネットワーク分布を理論的に裏付けられた方法で推定するための手法の開発。
• 任意のサイズのネットワークを連続的潜在空間を用いてモデリングする課題に対処すること。
• 最小限の正則性条件の下で、非パラメトリック最尤推定の漸近的一貫性を確立すること。
• ノード数の増加に伴い、推定されたネットワーク特性が真の潜在分布に収束することを保証すること。

提案手法

• ネットワークが対称性および滑らかさの性質を有する連続的潜在空間モデルによって生成されると仮定する。
• 単一の観測済みグラフからノード位置および潜在空間分布を非パラメトリック最尤推定により推定する。
• 確率的収束の議論を適用し、n → ∞ のとき推定ノード位置が真の位置に収束することを示す。
• 潜在位置の経験的分布が真の潜在分布に収束することを確立する。
• メトリックエントロピーおよびエントロピー条件を用いて、潜在空間モデルの複雑さを制御する。
• 一様収束技術を用いて、ノード位置、潜在分布、およびグラフ生成分布の3レベルすべてにおける一貫性を証明する。

実験結果

リサーチクエスチョン

• RQ1 非パラメトリック最尤推定は、連続空間ネットワークモデルにおけるノードの真の潜在位置を一貫して回復できるか？
• RQ2 ノード数の増加に伴い、潜在位置の推定分布は真の分布に収束するか？
• RQ3 任意サイズのグラフを生成するための推定モデルは、真の生成プロセスに収束するか？
• RQ4 連続的潜在空間ネットワークにおける最尤推定が一貫性を保つために必要な正則性条件は何か？
• RQ5 ノード位置、潜在分布、およびグラフ分布の複数の推定レベルにおいて、一貫性を確立できるか？

主な発見

• ノード数の増加に伴い、すべてのノードの推定位置は確率的に真の潜在位置に収束する。
• 潜在位置の経験的分布は、確率的に真の潜在空間上の真の分布に収束する。
• 任意サイズのグラフの推定分布は、真の生成分布に収束する。
• 一貫性は、生成プロセスの対称性および滑らかさという最小限の仮定の下で確立される。
• 非パラメトリック推定が有効であるため、潜在空間分布の事前のパラメトリック形式の指定は不要である。
• 理論的枠組みは、繰り返しサンプリングを必要とせずに、単一の観測ネットワークからのスケーラブルなネットワークモデリングを支援する。