[論文レビュー] Evolving Latent Space Model for Dynamic Networks.

Shubham Gupta, Gaurav Sharma+1 more|arXiv (Cornell University)|Feb 11, 2018

Complex Network Analysis Techniques参考文献 21被引用数 3

ひとこと要約

本論文は、固定されたノード数を有する動的ネットワークのための生成的で潜在空間に基づく統計モデルを提案する。このモデルは、時間に応じて変化するコミュニティ構造を許容する。近似的な推論にはニューラルネットワークが用いられ、合成ネットワークおよび実世界のネットワークにおいてコミュニティ検出およびリンク予測の分野で最先端の性能を達成し、深層学習と統計モデリングを動的ネットワーク解析に統合した初の試みである。

ABSTRACT

Networks observed in the real world like social networks, collaboration networks etc., exhibit temporal dynamics, i.e. nodes and edges appear and/or disappear over time. In this paper, we propose a generative, latent space based, statistical model for such networks (called dynamic networks). We consider the case where the number of nodes is fixed, but the presence of edges can vary over time. Our model allows the number of communities in the network to be different at different time steps. We use a neural network based methodology to perform approximate inference in the proposed model and its simplified version. Experiments done on synthetic and real-world networks for the task of community detection and link prediction demonstrate the utility and effectiveness of our model as compared to other similar existing approaches. To the best of our knowledge, this is the first work that integrates statistical modeling of dynamic networks with deep learning for community detection and link prediction.

研究の動機と目的

• エッジおよびコミュニティ構造が時間とともに変化するネットワークにおける時間的ダイナミクスをモデル化する課題に対処すること。
• コミュニティ数が時間ステップごとに変化することを許容する生成的統計モデルを開発すること。
• 深層学習技術を用いて、複雑な動的ネットワークモデルにおける有効な推論を可能にすること。
• 動的ネットワークにおけるコミュニティ検出およびリンク予測タスクの性能を向上させること。
• 時間的ネットワーク解析における統計的ネットワークモデリングと深層学習のギャップを埋めること。

提案手法

• ノードの位置が時間とともに変化する潜在空間表現を用いる。これにより、動的ネットワーク構造が捉えられる。
• 提案された生成的モデルおよびその簡略化された変種における近似的な推論にニューラルネットワークを用いる。
• エッジの確率は潜在ノード位置に依存し、時間に依存するコミュニティ割り当てを仮定する。
• コミュニティ数は時間ステップごとに変化を許容され、柔軟なコミュニティ構造の進化が可能になる。
• 変分近似を用いて推論が行われ、ニューラルネットワークが事後分布を推定する。
• 潜在空間ダイナミクスの共同モデリングを通じて、コミュニティ検出およびリンク予測の両方をサポートするフレームワークである。

実験結果

リサーチクエスチョン

• RQ1 生成的潜在空間モデルは、動的ネットワークにおける時間に応じて変化するコミュニティ構造を効果的に捉えることができるか？
• RQ2 統計的ネットワークモデリングと深層学習を統合することで、動的ネットワークにおける推論精度はどのように向上するか？
• RQ3 本モデルは、既存の手法に比べて、コミュニティ検出およびリンク予測の分野でどの程度優れているか？
• RQ4 本モデルは、異なる時間点で変化するコミュニティ数に適応することができるか？
• RQ5 ニューラルネットワークに基づく推論は、動的ネットワークモデリングにおけるスケーラビリティおよび性能にどのような影響を与えるか？

主な発見

• 提案されたモデルは、合成ネットワークおよび実世界の動的ネットワークにおけるコミュニティ検出で最先端の性能を達成した。
• ベンチマークデータセットにおいて、リンク予測タスクでも既存手法を上回る精度を示した。
• 動的コミュニティシフトを効果的に捉え、時間経過に伴いコミュニティ数が変化することを可能にした。
• ニューラルネットワークに基づく推論により、潜在空間モデルにおける複雑な事後分布の有効な近似が可能になった。
• 深層学習と統計モデリングの統合により、スケーラブルかつ正確な推論が動的ネットワークに可能になった。
• 実験的結果は、本モデルの有効性および多様なネットワークダイナミクスにわたる一般化能力を確認した。