[論文レビュー] Fast Change Point Detection on Dynamic Social Networks

Yu Wang, Aniket Chakrabarti+2 more|arXiv (Cornell University)|May 20, 2017

Complex Network Analysis Techniques参考文献 13被引用数 12

ひとこと要約

本論文は、尤度最大化とエッジ分布推定を用いて、動的ソーシャルネットワークにおける高速で効率的かつ高精度な変化点検出アルゴリズムを提案する。ネットワークの進化を1次マルコフ過程としてモデル化し、エッジ確率の一貫性があり不偏な推定器を用いることで、DeltaCon より最大9倍の高速化を達成しつつ、合成ネットワークおよび実世界のネットワーク（米国上院共同提案ネットワークや国連投票ネットワークを含む）において検出品質を向上させた。

ABSTRACT

A number of real world problems in many domains (e.g. sociology, biology, political science and communication networks) can be modeled as dynamic networks with nodes representing entities of interest and edges representing interactions among the entities at different points in time. A common representation for such models is the snapshot model - where a network is defined at logical time-stamps. An important problem under this model is change point detection. In this work we devise an effective and efficient three-step-approach for detecting change points in dynamic networks under the snapshot model. Our algorithm achieves up to 9X speedup over the state-of-the-art while improving quality on both synthetic and real world networks.

研究の動機と目的

• スナップショットモデル下で、動的ネットワークにおける変化点を効率的かつ高精度に検出する手法を開発すること。
• 計算効率を維持しつつ、ネットワークスナップショット間の時間的依存性を考慮すること。
• DeltaCon や LetoChange といった既存手法を改善し、実行時間を短縮しつつ検出品質を損なわないようにすること。
• さまざまな生成ネットワークモデルに適用可能な汎用的ソリューションを提供すること。
• 大規模ネットワークに適した、記憶容量に制限のある環境下でもリアルタイム検出が可能な仕組みを実現すること。

提案手法

• 時間的依存性を捉えるために、ネットワークの進化を1次マルコフ過程としてモデル化する。
• ノードペア（ダイアド）間のエッジ確率を推定するために、最尤推定法（MLE）を用いる。
• 小規模なウィンドウにおける MLE のバイアスを是正するため、グループ化されたダイアドサンプリングと中央値選択に基づく一貫性があり不偏な推定器を導入する。
• 推定されたエッジ分布に基づき、KLダイバージェンスとユークリッド距離を用いてスナップショット間の類似度を計算する。
• 尤度の著しい低下を検出し、基礎的な生成モデルの変化を示す変化点を同定する。
• 定数のメモリオーバーヘッドで実装されており、ユーザーが定義するウィンドウサイズによって調整可能である。

実験結果

リサーチクエスチョン

• RQ1 モデルに依存しないアプローチは、既存手法よりも動的ネットワークにおける変化点検出をより効率的に行えるか？
• RQ2 時間的依存性を組み込むことで、変化点検出の精度はどのように向上するか？
• RQ3 小規模ウィンドウにおける推定器バイアスの影響は何か？ また、どのように是正できるか？
• RQ4 尤度に基づく手法は、実世界および合成ネットワークにおいて、高効率と高精度の両方を達成できるか？
• RQ5 ネットワークサイズおよびスナップショット数の増加に伴い、この手法はどのようにスケーリングするか？

主な発見

• 提案手法の EdgeMonitoring (EM-KL) は、最大50kスナップショット、50kノードの最大データセットで DeltaCon より最大9倍の高速化を達成した。10kノードのネットワークでは8倍の高速化を達成した。
• 合成ネットワークでは、EM-KL は完璧な正確性（精度と再現率）を達成し、DeltaCon よりも優れていた。DeltaCon は、わずかな変動にもかかわらず2つの変化点を逃していた。
• 米国上院共同提案ネットワークでは、100回目の議会と104回目の議会の両方を正しく変化点として特定した。一方、DeltaCon は104回目の議会のみを検出していた。
• ER、SBM、BTER などの複数のネットワークモデルおよび実世界のデータセット（Enron や国連投票ネットワークを含む）において、高い精度を維持した。
• グループ化されたダイアドと中央値選択の使用により、推定器の変動が著しく低減され、特に小規模ウィンドウにおいてもロバスト性が向上した。
• アルゴリズムは効率的にスケーリングされた：50kスナップショット（50kノード）では26分で処理可能だったが、DeltaCon は10時間かかった。また、LetoChange はより大きなデータセットで48時間の制限時間を超えていた。