[論文レビュー] Deconvolution of mixing time series on a graph

Alexander W. Blocker, Edoardo M. Airoldi|PubMed|May 12, 2011

Functional Brain Connectivity Studies参考文献 6被引用数 3

ひとこと要約

本稿では、グラフ上の混合時系列をデコンボリューションするためのマルチレベル状態空間モデルを提案する。潜在的なバースト性とスパarsityを持つ時系列は、グラフに基づく混合機構を介して低次元の集計測定値から推定される。この手法は、効率的な正則化パラメータのキャリブレーションを用い、既存の手法を上回る性能を示し、ネットワーク集計データからのポイントツーポイント交通フローの推定において優れた性能を発揮する。実世界のデータでも強く優れた性能を示している。

ABSTRACT

In many applications we are interested in making inference on latent time series from indirect measurements, which are often low-dimensional projections resulting from mixing or aggregation. Positron emission tomography, super-resolution, and network traffic monitoring are some examples. Inference in such settings requires solving a sequence of ill-posed inverse problems, <i><b>y</b>_t</i> = <i>A<b>x</b>_t</i> , where the projection mechanism provides information on <i>A</i>. We consider problems in which <i>A</i> specifies mixing on a graph of times series that are bursty and sparse. We develop a multilevel state-space model for mixing times series and an efficient approach to inference. A simple model is used to calibrate regularization parameters that lead to efficient inference in the multilevel state-space model. We apply this method to the problem of estimating point-to-point traffic flows on a network from aggregate measurements. Our solution outperforms existing methods for this problem, and our two-stage approach suggests an efficient inference strategy for multilevel models of multivariate time series.

研究の動機と目的

• グラフ上で混合されるデータを対象とした、間接的で低次元の集計測定値から潜在的時系列を推定する課題に対処すること。
• ネットワークトラフィックモニタリング、PET画像、スーパーレゾリューションなどの応用分野で生じるバースト的かつスパースな時系列をモデル化すること。
• グラフ構造を持つ混合行列 A を持つ、ill-posed な逆問題 y_t = A x_t を効率的に解くための推論戦略を開発すること。
• 推定精度を向上させるために、マルチレベルフレームワーク内で正則化パラメータを効果的にキャリブレーションすること。
• 集計ネットワーク測定値を用いた実交通フロー推定において、本手法の優位性を実証すること。

提案手法

• 観測時系列が潜在的でスパースかつバースト的な成分にどのように階層的に依存するかを表現するためのマルチレベル状態空間モデルを構築する。
• 各ノードが時系列に対応し、エッジが混合関係を符号化するグラフに基づく線形変換 A として混合プロセスをモデル化する。
• 二段階の推論アプローチを導入する：第一段階では、キャリブレーションされたペナルティを用いた潜在時系列の正則化推定；第二段階では、状態空間フィルタリングによる精緻化。
• 計算負荷を低減しつつ精度を維持するため、単純なモデルを用いて正則化パラメータをキャリブレーションする。
• ベイズフレームワークを用いて不確実性を伝搬させ、モデル不適合下でも頑健な推論を可能にする。
• 実交通データにモデルを適用し、集計リンクレベルの測定値を用いてポイントツーポイントフローを推定する。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク構造上での低次元の集計測定値から、信頼性高くスパースでバースト的な潜在時系列を回復できるか？
• RQ2 A がグラフベースの混合を符号化する場合、ill-posed な逆問題 y_t = A x_t を効率的かつスケーラブルに解く方法は何か？
• RQ3 正則化をキャリブレーションしたマルチレベル状態空間モデルは、既存のデコンボリューション手法を交通フロー推定において上回れるか？
• RQ4 混合のグラフ構造が、時系列のデコンボリューションの精度と安定性にどのように影響を与えるか？
• RQ5 依存する時系列のマルチレベルモデルにおける効率的推論を達成するために、正則化パラメータのキャリブレーションが果たす役割は何か？

主な発見

• 提案手法は、集計ネットワーク測定値からのポイントツーポイント交通フロー推定において、既存の手法を顕著に上回る性能を示した。
• 二段階の推論戦略により、最小限のチューニングで効率的かつ正確に潜在時系列を回復できる。
• 単純な補助モデルを用いてキャリブレーションされた正則化パラメータは、マルチレベル状態空間フレームワークにおける頑健で安定した推論を実現した。
• グラフベースの混合モデルは、時系列の依存構造を効果的に捉えており、デコンボリューション性能の向上に寄与した。
• 実交通データに対する実験結果から、本手法がスパースでバースト的な交通パターンの再構築において優れた性能を発揮することが確認された。
• 本手法は、スケーラビリティと実世界のネットワーク監視問題への適応性に優れていることが示された。