[論文レビュー] Estimating network edge probabilities by neighborhood smoothing

Yuan Zhang, Elizaveta Levina+1 more|arXiv (Cornell University)|Sep 29, 2015

Complex Network Analysis Techniques参考文献 26被引用数 22

ひとこと要約

本稿では、グラフオン推定や強い構造的仮定を必要とせずに、隣接行列から直接にネットワークエッジ確率を推定するための近傍スムージング手法を提案する。この手法は、計算的に効率的で調整が少なく、シミュレートされたネットワークおよび実際のネットワークにおいて、リンク予測の分野でベンチマーク手法を上回る性能を示し、既存の非パラメトリックネットワーク推定手法に対する計算的に効率的で調整可能な代替手法を提供する。

ABSTRACT

The estimation of probabilities of network edges from the observed adjacency matrix has important applications to predicting missing links and network denoising. It has usually been addressed by estimating the graphon, a function that determines the matrix of edge probabilities, but this is ill-defined without strong assumptions on the network structure. Here we propose a novel computationally efficient method, based on neighborhood smoothing to estimate the expectation of the adjacency matrix directly, without making the structural assumptions that graphon estimation requires. The neighborhood smoothing method requires little tuning, has a competitive mean-squared error rate, and outperforms many benchmark methods on link prediction in simulated and real networks.

研究の動機と目的

• グラフオン推定や強い構造的仮定に依存せずに、計算的に効率的なネットワークエッジ確率推定手法を開発すること。
• 期待される隣接行列を直接推定することで、シミュレートされたネットワークおよび実世界のネットワークにおけるリンク予測の精度を向上させること。
• 既存の非パラメトリックアプローチと比較して、競争力のある平均二乗誤差率を達成するが、最小限の調整で行える手法を提供すること。
• グラフオンに基づく手法の限界、特に識別可能性とネットワーク構造に関する強い仮定を解消すること。
• 計算的に非現実的なブロックモデルの列挙や、誤差率が不明な反復的アルゴリズムの代替として実用的な手法を提供すること。

提案手法

• 本手法は、グラフオン関数の推定を避けるために、隣接行列の期待値を近傍スムージングを用いて直接推定する。
• ノードの類似した接続パターンを持つノードは、類似した期待エッジ確率を持つと仮定し、局所的な近傍情報を利用してエッジ確率をスムージングする。
• エッジの重みは、両端ノードの近傍の類似度に影響を受けるカーネルベースのスムージングスキームを採用する。
• 計算的に効率的で、パラメータの調整が最小限である。局所的なノード近傍における平均化に依存する。
• ストークスティックブロックモデルや単調性制約といった構造的仮定を回避するため、一般のネットワーク構造に適用可能である。
• 理論的分析により、滑らかさの一定の条件下で最小最大最適レートを達成することが示され、情報理論的議論を用いて誤差境界が導出されている。

実験結果

リサーチクエスチョン

• RQ1 特定のネットワークモデルを仮定したりグラフオンを推定したりせずに、隣接行列からエッジ確率を直接推定できるか？
• RQ2 特に強い構造的仮定がない状況においても、近傍スムージングは既存の手法を上回るリンク予測性能を示すか？
• RQ3 近傍スムージング推定量の理論的誤差率は何か？ また、最小最大下界と比較するとどうなるか？
• RQ4 本手法は、シミュレートされたネットワークおよび実世界のデータにおいて実際の性能はいかがなっているか？
• RQ5 最小限の調整と計算コストで、競争力のある性能を達成できるか？

主な発見

• 近傍スムージング手法は、特定の条件下で最小最大下界と競合する平均二乗誤差率を達成しており、理論的に最適性を示している。
• 本手法は、コミュニティ構造やスケールフリープロパティを示すネットワークを含め、シミュレートされたネットワークおよび実世界のネットワークにおいて、ベンチマーク手法を上回るリンク予測性能を示している。
• 本手法は最小限の調整で実行可能であり、計算的にも効率的であるため、大規模ネットワークに対しても実用的である。
• 理論的分析により、区分的バイリプシッツグラフオン空間において、最小最大収束レートを達成することが確認され、誤差境界はスパースネットワークでは $O((n ho)^{-1})$ のスケーリングを示している。
• 本手法は、ストークスティックブロックモデルに従わないネットワークに対しても有効であり、モデルの誤指定に対して強いロバストネスを示している。
• 下界分析により、$O(1/m)$ より速いレートはいかなる推定量でも達成できないことが示され、$m$ は最小ブロックのサイズを表す。これは、検討されたモデルクラスにおいて本手法の最適性を裏付けている。