[論文レビュー] Fluctuation bounds for continuous time branching processes and nonparametric change point detection in growing networks

Sayan Banerjee, Shankar Bhamidi+1 more|arXiv (Cornell University)|Aug 7, 2018

Stochastic processes and statistical mechanics参考文献 38被引用数 4

ひとこと要約

本稿は、成長するネットワークモデルにおけるネットワーク機能的要因の定量的誤差バインディングを導出するため、連続時間分岐過程（CTBP）を発展させ、非パラメトリックな変化点検出を可能にする。アタッチメントメカニズムの急激な変化下でも、次数分布の収束速度を確立する。特に、変化が早期に発生する（$ n^\gamma $、$ 0<\gamma<1 $）「クイック・ビッグバン」状態でも成立する。

ABSTRACT

Motivated by applications, both for modeling real world systems as well as in the study of probabilistic systems such as recursive trees, the last few years have seen an explosion in models for dynamically evolving networks. The aim of this paper is two fold: (a) develop mathematical techniques based on continuous time branching processes (CTBP) to derive quantitative error bounds for functionals of a major class of these models about their large network limits; (b) develop general theory to understand the role of abrupt changes in the evolution dynamics of these models using which one can develop non-parametric change point detection estimators. In the context of the second aim, for fixed final network size $n$ and a change point $ au(n) < n$, we consider models of growing networks which evolve via new vertices attaching to the pre-existing network according to one attachment function $f$ till the system grows to size $ au(n)$ when new vertices switch their behavior to a different function $g$ till the system reaches size $n$. With general non-explosivity assumptions on the attachment functions $f,g$, we consider both the standard model where $ au(n) = \Theta(n)$ as well as the \emph{quick big bang model} when $ au(n) = n^\gamma$ for some $0<\gamma <1$. Proofs rely on a careful analysis of an associated \emph{inhomogeneous} continuous time branching process. Techniques developed in the paper are robust enough to understand the behavior of these models for any sequence of change points $ au(n) o\infty$. This paper derives rates of convergence for functionals such as the degree distribution; the same proof techniques should enable one to analyze more complicated functionals such as the associated fringe distributions.

研究の動機と目的

• 成長ネットワークモデルの大きなネットワーク極限における機能的要因を分析するため、連続時間分岐過程（CTBP）に基づく厳密な数学的技術を確立すること。
• アタッチメントメカニズムのパラメトリックな形を仮定せずに、ネットワークの進化ダイナミクスにおける急激な変化を検出する課題に対処すること。
• アタッチメントルールが変化点 $ \tau(n) $ で関数 $ f $ から $ g $ に切り替わるネットワークモデルを分析すること。一般の非爆発性仮定の下で行う。
• 標準の漸近的枠組みに挑戦する「クイック・ビッグバン」モデルに理論的理解を拡張すること。ここで変化点は $ \tau(n) = n^\gamma $ とスケーリングされ、$ 0 < \gamma < 1 $ である。
• 任意の発散する変化点列 $ \tau(n) \to \infty $ に対して適用可能な堅牢なフレームワークを提供することにより、フリンジ分布のような複雑な機能的要因の分析を可能にする。

提案手法

• エッジ形成と頂点の付加が時間に依存するルールに従う非定常連続時間分岐過程（CTBP）を用いて、ネットワーク成長をモデル化する。
• CTBP技術を用いて、次数分布などの主要なネットワーク機能的要因に対する集中性とフラクチュエーションバインディングを導出する。アタッチメント関数 $ f $ と $ g $ に対して一般に適用可能である。
• 変化点の前後で2段階に分けて分析する：$ \tau(n) $ 以前はアタッチメントが $ f $ に従い、以降は $ g $ に従う。変化点でダイナミクスに不連続性が生じる。
• CTBPの平均周りのフラクチュエーションを制御することで、機能的要因の収束速度を確立する。モーメント法およびマルティンゲール法を活用する。
• 「クイック・ビッグバン」モデル、すなわち $ \tau(n) = n^\gamma $ に一般化し、早期の切り替えに対しても収束速度が定量的に評価可能であることを示す。
• フレームワークを応用して、次数分布のバインディングを導出し、フリンジ分布のようなより複雑な機能的要因への拡張を提案する。

実験結果

リサーチクエスチョン

• RQ1 連続時間分岐過程は、成長ネットワークモデルにおけるネットワーク機能的要因の定量的誤差バインディングをどのように導出できるか？
• RQ2 アタッチメントメカニズムが時間 $ \tau(n) $ で急激に変化する場合、次数分布のようなネットワーク機能的要因の収束速度はいかなるものか？
• RQ3 変化点が早期に発生する「クイック・ビッグバン」状態、すなわち $ \tau(n) = n^\gamma $（$ 0 < \gamma < 1 $）において、理論的バインディングはどのように振る舞うか？
• RQ4 提案されたフレームワークは、アタッチメント関数のパラメトリックな形を仮定せずに、ネットワークダイナミクスの変化を検出可能か？
• RQ5 導出された技術は、任意の発散する変化点列 $ \tau(n) \to \infty $ に対してどれほど頑健か？

主な発見

• 本稿は、アタッチメントルールの急激な変化を伴う成長ネットワークにおける次数分布の明示的な収束速度を確立した。
• アタッチメント関数 $ f $ と $ g $ に対する一般の非爆発性仮定の下でも収束速度が導出可能であり、広範なモデルクラスへの適用可能性を保証する。
• 「クイック・ビッグバン」状態、すなわち $ \tau(n) = n^\gamma $、$ 0 < \gamma < 1 $ であっても、フレームワークは有効であり、早期の変化点に対しても頑健であることを示した。
• 非定常連続時間分岐過程の使用により、機能的要因に対する正確なフラクチュエーションバインディングが可能となり、非パラメトリックな変化点検出の基盤が築かれた。
• 同じ証明技法は、フリンジ分布のようなより複雑な機能的要因へも拡張可能であり、理論的適用範囲が広いことを示唆している。
• 結果として、既知のパラメトリックモデルを仮定せずに、ネットワーク進化における変化点の非パラメトリック推定器の開発に基盤を提供する。