[論文レビュー] Dynamic Network Model from Partial Observations

Elahe Ghalebi, Baharan Mirzasoleiman+2 more|arXiv (Cornell University)|May 27, 2018

Complex Network Analysis Techniques参考文献 26被引用数 9

ひとこと要約

本稿では、非パラメトリックな生成的動的ネットワークモデルであるDyferenceを提案する。この手法は、ノードの感染時刻といった部分的なキャスケード拡散観測データから、時間的に変化するネットワーク構造を推定するために、結合された階層的ディリクレ過程の混合を用いる。この方法により、オンラインで進化するコミュニティ構造と予測可能なエッジ確率（観測されていない、または将来のエッジを含む）が得られ、実世界および合成ネットワークにおける動的ネットワーク推定、拡散予測、破綻予測の分野で、既存手法を上回る性能を発揮する。

ABSTRACT

Can evolving networks be inferred and modeled without directly observing their nodes and edges? In many applications, the edges of a dynamic network might not be observed, but one can observe the dynamics of stochastic cascading processes (e.g., information diffusion, virus propagation) occurring over the unobserved network. While there have been efforts to infer networks based on such data, providing a generative probabilistic model that is able to identify the underlying time-varying network remains an open question. Here we consider the problem of inferring generative dynamic network models based on network cascade diffusion data. We propose a novel framework for providing a non-parametric dynamic network model--based on a mixture of coupled hierarchical Dirichlet processes-- based on data capturing cascade node infection times. Our approach allows us to infer the evolving community structure in networks and to obtain an explicit predictive distribution over the edges of the underlying network--including those that were not involved in transmission of any cascade, or are likely to appear in the future. We show the effectiveness of our approach using extensive experiments on synthetic as well as real-world networks.

研究の動機と目的

• 部分的なキャスケード拡散データ（例：感染時刻）しか入手できない状況において、時間的に変化するネットワークの生成的確率モデルを構築するという未解決問題に対処すること。
• 観測されたエッジだけでなく、未観測または将来のエッジ、および進化するコミュニティ構造を推定するフレームワークを開発すること。
• ネットワーク構造や伝搬レートに関する事前知識が不要な、オンラインで時間的に変化するエッジ確率の推定を可能にすること。
• ネットワーク構造や伝搬レートに関する事前知識が全くない状況でも、感染時刻データのみを用いて拡散キャスケードと影響力のあるノードを正確に予測できること。

提案手法

• エッジ交換可能で非パラメトリックな動的ネットワークを、進化するコミュニティ構造とともにモデル化するため、混合結合階層的ディリクレ過程（MDND）を活用する。
• キャスケード拡散データを時間インターバルごとに処理し、各キャスケードの推定された拡散木から周辺エッジ確率を計算する。
• Gibbsサンプラーを用いて、サンプリングされたエッジと更新されたエッジ確率分布に基づいて、モデル変数を繰り返し更新する。
• 反復的推論ループを採用：キャスケードデータからエッジ確率を更新し、拡散木の分布を再推定し、モデルパラメータを精緻化して収束するまで繰り返す。
• MDNDにとどまらず、任意の生成的ネットワークモデルに拡張可能であり、潜在表現の選択に柔軟性を提供する。
• 時間窓ごとにデータを処理することでオンライン推論を可能とし、ネットワークの進化をリアルタイムで追跡可能である。

実験結果

リサーチクエスチョン

• RQ1 部分的なキャスケード拡散観測（例：ノードの感染時刻）から、動的ネットワークの生成的確率モデルを構築できるか？
• RQ2 そのようなモデルは、観測されたエッジに加え、未観測または将来のエッジ、および進化するコミュニティ構造を推定できるか？
• RQ3 ネットワーク構造が事前に不明な状況で、モデルは将来の拡散キャスケードと影響力のあるノードをどれほど正確に予測できるか？
• RQ4 実世界および合成ネットワークにおいて、既存手法と比較して予測精度と計算効率の面で、モデルはどの程度優れているか？

主な発見

• Dyferenceは、時間的に変化するハイパーリンクネットワークおよびソーシャルメディアネットワークにおいて、InfoPath や NetRate よりもオンライン動的ネットワーク推定で優れた性能を発揮し、評価されたすべてのデータセットで高いF1スコアを達成した。
• 金融取引ネットワークにおいて、Dyferenceは破綻予測においてInfoPathを顕著に上回り、2年間の期間窓においてMap@kおよびHits@k指標が向上した。
• DyferenceはInfoPathと同等の実行時間で推定精度を常に上回り、スケーラビリティと効率性を示した。
• ネットワーク構造が未知の状況でも、Dyferenceは感染時刻のみを用いてLinkedIn上での影響力のあるウェブサイトを正確に予測でき、既知のネットワーク構造を用いた結果と同等の性能を発揮した。
• 拡散予測タスクにおいて、Dyferenceはネットワーク構造や伝搬レートに関する事前知識がなくても、Map@kおよびHits@kで優れた性能を発揮した。
• このフレームワークにより、進化するコミュニティ構造の正確な追跡が可能となり、観測キャスケードに含まれないエッジを含む、すべての潜在的エッジに対する明示的な予測分布が得られた。