[論文レビュー] Efficient Estimation for Random Dot Product Graphs via a One-Step Procedure

Fangzheng Xie, Yanxun Xu|arXiv (Cornell University)|Oct 10, 2019

Complex Network Analysis Techniques参考文献 50被引用数 5

ひとこと要約

本稿では、ランダムドットプロダクトグラフにおける潜在的位置の1段階推定法を提案する。この手法は、低ランク構造とベルヌーイ尤度情報の両方を統合し、漸近的に有効な推定を達成する。従来のスペクトル埋め込み法よりも、全般的に二乗誤差が小さく、局所的にそれらの漸近的分散共分散行列を上回る。さらに、明示的な漸近的正規性と妥当な信頼区間が保証される。

ABSTRACT

We propose a one-step procedure to estimate the latent positions in random dot product graphs efficiently. Unlike the classical spectral-based methods, the proposed one-step procedure takes advantage of both the low-rank structure of the expected adjacency matrix and the Bernoulli likelihood information of the sampling model simultaneously. We show that for each vertex, the corresponding row of the one-step estimator (OSE) converges to a multivariate normal distribution after proper scaling and centering up to an orthogonal transformation, with an efficient covariance matrix. The initial estimator for the one-step procedure needs to satisfy the so-called approximate linearization property. The OSE improves the commonly adopted spectral embedding methods in the following sense: Globally for all vertices, it yields an asymptotic sum of squares error no greater than those of the spectral methods, and locally for each vertex, the asymptotic covariance matrix of the corresponding row of the OSE dominates those of the spectral embeddings in spectra. The usefulness of the proposed one-step procedure is demonstrated via numerical examples and the analysis of a real-world Wikipedia graph dataset.

研究の動機と目的

• 古典的なスペクトル手法よりも、ランダムドットプロダクトグラフにおける潜在的位置の推定においてより高い効率性を達成する推定法の開発。
• 期待隣接行列の低ランク構造とエッジ生成のベルヌーイ尤度を、統合的な推定フレームワークに組み込むこと。
• 提案手法の漸近的正規性と有効性を確立し、個々の潜在位置に対して妥当な信頼区間を提供すること。
• 全般的な二乗誤差と漸近的分散の観点から、隣接行列およびラプラシアンスペクトル埋め込み法よりも優れた性能を示すこと。
• クラスタリング、分類、仮説検定を含むネットワークデータに対する統計的推論のための実用的でスケーラブルな手法の提供。

提案手法

• 1段階プロシージャーは、近似的線形化性を満たす初期推定値から出発し、観測エッジのベルヌーイ尤度を組み込んだ準尤度アプローチでそれを改善する。
• 推定値は、低ランク構造とエッジ形成の確率的モデルをバランスさせるスコア方程式を解くことで構築される。
• 適切にスケーリングおよび中心化した後、各頂点の潜在位置推定値の漸近的正規性が、直交変換を除いて確立される。
• 1段階推定値の漸近的分散共分散行列は有効であり、スペクトルノルムにおいて隣接行列およびラプラシアンスペクトル埋め込み法のそれらを上回ることが示された。
• 1段階推定値から得られる漸近的分散の推定値を用いて、個々の潜在位置の信頼区間が構築される。
• 理論的および数値的妥当性の両面から、隣接行列スペクトル埋め込み（OSE-A）およびラプラシアンスペクトル埋め込み（OSE-L）フレームワークへの応用が行われた。

実験結果

リサーチクエスチョン

• RQ1 スペクトル推定値の1段階修正が、ランダムドットプロダクトグラフにおける潜在位置推定で漸近的有効性を達成できるか？
• RQ2 低ランク構造とベルヌーイ尤度情報を統合することで、古典的スペクトル手法よりも平均二乗誤差が改善されるか？
• RQ3 1段階推定値の漸近的分布は、効率的共分散行列を持つ多変量正規分布か？
• RQ4 1段階推定値は、実現された被覆率が名目水準に近い、頂点ごとの妥当な信頼区間を生成できるか？
• RQ5 全頂点にわたる二乗誤差と漸近的分散の観点から、1段階推定値はスペクトル埋め込み法と比べてどのように差をつけるか？

主な発見

• 1段階推定値は、各頂点の潜在位置推定値について漸近的正規性を達成し、適切にスケーリングおよび中心化した後、直交変換を除いて多変量正規分布に収束する。
• 1段階推定値の漸近的分散共分散行列は有効であり、スペクトルノルムにおいて隣接行列およびラプラシアンスペクトル埋め込み法のそれらを上回り、局所的な推定精度が優れていることを示している。
• 全般的には、1段階推定値の二乗誤差は、隣接行列およびラプラシアンスペクトル埋め込み法のそれらよりも厳密に小さく、シミュレーションでは有意水準0.01で有意であった。
• 数値実験により、1段階推定値に基づく頂点ごとの95%信頼区間の実現被覆確率が、名目水準の95%に近いことが確認された。
• 本手法は、潜在位置および正規化ラプラシアン埋め込みの両方に対して妥当な信頼区間を構築でき、分散は1段階推定値から一貫して推定された。
• 実際のウィキペディアグラフデータセットの分析により、提案手法の実用的有用性と頑健性がさらに裏付けられた。