[論文レビュー] DyANE: Dynamics-aware node embedding for temporal networks

Koya Sato, Mizuki Oka+2 more|arXiv (Cornell University)|Sep 12, 2019

Complex Network Analysis Techniques参考文献 39被引用数 8

ひとこと要約

DyANEは、時間に配慮した経路を符号化するように変更された超隣接表現を用いる動的認識ノード埋め込み手法を提案し、感染症のような動的プロセスにおけるノード状態の正確な予測を可能にする。本手法は、プロセスパラメータや遷移ルールの知識を必要とせず、疎な観測からの多値分類においてベースライン手法を上回る優れた性能を達成する。

ABSTRACT

Low-dimensional vector representations of network nodes have proven successful to feed graph data to machine learning algorithms and to improve performance across diverse tasks. Most of the embedding techniques, however, have been developed with the goal of achieving dense, low-dimensional encoding of network structure and patterns. Here, we present a node embedding technique aimed at providing low-dimensional feature vectors that are informative of dynamical processes occurring over temporal networks -- rather than of the network structure itself -- with the goal of enabling prediction tasks related to the evolution and outcome of these processes. We achieve this by using a modified supra-adjacency representation of temporal networks and building on standard embedding techniques for static graphs based on random-walks. We show that the resulting embedding vectors are useful for prediction tasks related to paradigmatic dynamical processes, namely epidemic spreading over empirical temporal networks. In particular, we illustrate the performance of our approach for the prediction of nodes' epidemic states in a single instance of a spreading process. We show how framing this task as a supervised multi-label classification task on the embedding vectors allows us to estimate the temporal evolution of the entire system from a partial sampling of nodes at random times, with potential impact for nowcasting infectious disease dynamics.

研究の動機と目的

• 部分的な観測しか得られない状況において、時間的ネットワーク上での1つの動的プロセスの完全な時間的進化を予測するという課題に対処すること。
• 静的ネットワーク構造ではなく、動的プロセスに関連する情報を捉えるノード埋め込み手法の開発。
• スパースでランダムにサンプリングされた観測のみを用いて、感染症様プロセスにおけるノード状態の頑健でパラメータに依存しない予測を可能にすること。
• 埋め込みベースの手法が、遷移メカニズムやモデルパラメータの事前知識がなくても、複雑なプロセスの時間的ダイナミクスを効果的に再構築できることを示すこと。

提案手法

• ノードを（ノード, 時刻）のペアとして表現するように変更された超隣接表現を構築し、同じ時刻に相互作用するノード間でのみエッジを形成することで、時間に配慮した経路を保持する。
• 各時刻におけるアクティブ（相互作用している）ノードのみを用いて静的グラフを定義することで、動的プロセスに関連する情報を保証する。
• 超隣接グラフ上にランダムウォークベースのノード埋め込みアルゴリズム（例：DeepWalk）を適用し、時間的接続パターンを低次元ベクトルに符号化する。
• 埋め込みベクトルとランダムに選択された時刻におけるノード状態を用いて、予測タスクを教師あり多値分類問題として定式化する。
• 埋め込みベクトルを用いて分類器を学習させ、スパースな観測から全ノードの時間的状態進化を予測する。
• 予測された状態を用いて感染症曲線を再構築し、ピーク高さや最終的感染規模といった重要な疫学的指標を推定する。

実験結果

リサーチクエスチョン

• RQ1 変更された超隣接表現から導かれるノード埋め込みは、時間的ネットワーク上でのプロセスの時間的ダイナミクスに関する情報を効果的に符号化できるか？
• RQ2 これらの埋め込みを用いた教師あり分類モデルは、スパースな観測から1つの感染症インスタンスにおけるノードの完全な状態進化をどの程度正確に予測できるか？
• RQ3 提案手法の性能は、多様な実世界の時間的ネットワークにおいて、既存の埋め込み技術と比較して感染症ダイナミクスの再構築においてどのように優れているか？
• RQ4 ハイパーパrameterのチューニングなしに、異なる感染症モデルパラメータやデータセットに対しても本手法は頑健に機能するか？
• RQ5 禁止された遷移（例：SIRモデルにおけるI→S）を予測しても、本手法は依然として全体の感染症ダイナミクスを正確に再現できるか？

主な発見

• DyANEは、ハイパーパrameterチューニングを必要とせず、複数の実世界時間的ネットワークおよび広範な感染症モデルパラメータの範囲で一貫して優れた分類性能を達成する。
• 本手法は感染症の時間的進化、特にピークの高さと発生時刻を正確に再構築でき、医療システムの計画において重要な要因をカバーする。
• 累積差異と最終的感染規模の差異を指標として測定したところ、予測された感染症曲線は実際のダイナミクスと高い一致を示し、他の埋め込み手法を上回る。
• SIRモデルにおける禁止遷移（例：I→S）を予測しても、モデルは依然として全体の感染症ダイナミクスを良好に推定できる。
• 他の埋め込み手法は感染症の拡散を広い時間窓に分散して表現し、ピークを低く見積もる傾向にあるが、DyANEは事実の症例集中を的確に捉える。
• 本手法は頑健で汎用的であり、プロセスの力学的メカニズムや遷移ルールの知識が不要である。