[論文レビュー] Consistent Bayesian Community Detection

Sheng Jiang, Surya T. Tokdar|arXiv (Cornell University)|Jan 16, 2021

Complex Network Analysis Techniques参考文献 26被引用数 5

ひとこと要約

本稿では、ネットワークデータにおけるコミュニティの真の数と所属割り当ての一貫性のある推定を保証するように修正されたベイズ的事前分布を備えた対角優勢な確率的ブロックモデル（DD-SBM）を提案する。接続行列における対角優勢性を強制し、シュワーツ法によるノルム上での事後分布収縮を用いることで、緩い正則性条件のもとで理論的一貫性を達成する。また、効率的な可逆移動MCMC計算と、有限標本における競争力のある性能を実現する。

ABSTRACT

Stochastic Block Models (SBMs) are a fundamental tool for community detection in network analysis. But little theoretical work exists on the statistical performance of Bayesian SBMs, especially when the community count is unknown. This paper studies a special class of SBMs whose community-wise connectivity probability matrix is diagonally dominant, i.e., members of the same community are more likely to connect with one another than with members from other communities. The diagonal dominance constraint is embedded within an otherwise weak prior, and, under mild regularity conditions, the resulting posterior distribution is shown to concentrate on the true community count and membership allocation as the network size grows to infinity. A reversible-jump Markov Chain Monte Carlo posterior computation strategy is developed by adapting the allocation sampler of Mcdaid et al (2013). Finite sample properties are examined via simulation studies in which the proposed method offers competitive estimation accuracy relative to existing methods under a variety of challenging scenarios.

研究の動機と目的

• コミュニティ数が未知である場合に、ベイズ的確率的ブロックモデルにおける理論的一致保証の欠如に対処すること。
• 接続行列における対角優勢性を強制する非共役事前分布のもとで、コミュニティ数と所属割り当ての両方の事後一致を確立すること。
• 非共役設定における事後推論の計算的に実行可能なMCMCアルゴリズムを開発すること。
• 特に困難なネットワーク構造において、既存手法と比較して優れた有限標本性能を示すこと。

提案手法

• コミュニティ内接続確率がコミュニティ間確率を厳密に上回る対角優勢なSBMを提案し、ノード単位の接続性から同定可能となるようにする。
• ノイヴィック＝スニージェル事前分布を修正し、対角優勢性を保ちつつ理論的取り扱いやすさを維持する弱情報的構造を維持する。
• シュワーツ法を用いてノルム上での事後分布収縮を証明し、接続確率からのコミュニティ構造同定に不可欠な要因とする。
• コミュニティ数の変動をカバーするため、アロケーションサンプラー枠組みに基づく可逆移動MCMCアルゴリズムを構築する。
• ノルム上での事後分布収縮率を用いて、ネットワークサイズの増大に伴いコミュニティ数と所属割り当ての回復の一貫性を保証する。
• スパarsity要因ρₙを組み込み、適切な正則性条件のもとで事後分布収縮を証明することで、スパースネットワークへの拡張を図る。

実験結果

リサーチクエスチョン

• RQ1 真のコミュニティ数が未知である場合に、ベイズ的SBMはコミュニティ数と所属割り当てを一貫して推定できるか？
• RQ2 接続行列における対角優勢性の強制は、ノード単位の接続確率からコミュニティ構造の一貫した回復を可能にするか？
• RQ3 非共役事前分布のもとでノルム上での事後分布収縮を達成できるか？また、それが一貫したコミュニティ検出を保証するか？
• RQ4 提案手法は、既存のベイズ的および頻度的コミュニティ検出手法と比較して、有限標本においてどのように性能を発揮するか？
• RQ5 理論的一致性の結果は、エッジ確率が減少するスパースネットワーク設定へ拡張可能か？

主な発見

• ネットワークサイズが増大するに従い、事後分布は真のコミュニティ数と所属割り当てにノルム上で収縮し、一貫した推定が保証される。
• シュワーツ法を用いて事後分布収縮を確立し、SBMの文脈においてヘルンガー距離がノルム上を上回る優位性を活用する。
• 有限標本においても競争力ある性能を達成し、調整ランダ指数の値が共役SBM（c-SBM）と同等である。特に接続性が低いかコミュニティ数が多い状況で顕著である。
• スパースネットワークでは、事後分布収縮率はスパarsityレベルρₙに依存せず、L₂ミニマックスレートと比較して最適でない可能性がある。
• 理論的一致性は、ρₙδ₀ ≳ √(log k₀ / n) という条件のもとで成立する。ここでδ₀は対角優勢ギャップ、k₀は真のコミュニティ数である。
• 共役性を失ったものの、効率的な可逆移動MCMCサンプリングが可能であるが、MFMサンプラーのような共役代替手法に比べて遅い。