[論文レビュー] Generalised hypergeometric ensembles of random graphs: the configuration model as an urn problem

Giona Casiraghi, Vahan Nanumyan|arXiv (Cornell University)|Oct 15, 2018

Data Visualization and Analytics参考文献 37被引用数 8

ひとこと要約

本稿では、一般化超幾何確率的グラフ集合（GHypEG）を導入する。これは、配置モデルを偏りのあるエッジ抽出を伴うウーム問題として定式化する解析的に取り扱いやすいモデルである。Walleniusの非中心超幾何分布を用いることで、閉形式の確率表現が可能となり、任意のエッジ感受性を組み込むことができる。これにより、従来の配置モデルにおける計算の非効率性を克服し、実世界のネットワークにおける複雑な二元的パターンの仮説検定を可能にする。

ABSTRACT

We introduce a broad class of random graph models: the generalised hypergeometric ensemble (GHypEG). This class enables to solve some long standing problems in random graph theory. First, GHypEG provides an elegant and compact formulation of the well-known configuration model in terms of an urn problem. Second, GHypEG allows to incorporate arbitrary tendencies to connect different vertex pairs. Third, we present the closed-form expressions of the associated probability distribution ensures the analytical tractability of our formulation. This is in stark contrast with the previous state-of-the-art, which is to implement the configuration model by means of computationally expensive procedures.

研究の動機と目的

• 標準的な配置モデルには計算的に高コストなリワイヤリング手順に依存するため、解析的取り扱いの欠如を是正すること。
• 配置モデルを一般化し、エッジ形成における任意の二元的バイアス（感受性）を許容することで、度数列を超えた複雑なネットワークパターンのモデル化を可能とすること。
• 与えられた期待度数列とエッジ感受性を持つランダムグラフの閉形式確率分布を提供すること。
• 解析的に取り扱いやすい集合を用いて、ネットワーク解析におけるきめ細やかな統計的仮説検定とモデル選択のフレームワークを確立すること。
• Walleniusの非中心超幾何分布を用いた一貫したウームベースの定式化により、配置モデルとより広範なランダムグラフ集合を統合すること。

提案手法

• エッジ形成プロセスを、エッジが感受性行列 Ω に従って偏りをもって抽出される多次元ウーム問題として定式化する。
• 壁内ウスの非中心超幾何分布を用いて、隣接行列 A におけるエッジ多重度の確率をモデル化し、積分表現から導かれる閉形式表現を用いる。
• 制約下での可能なエッジ組み合わせの総数を捉えるために、組合せ行列 Ξ を定義し、正確な確率計算を可能にする。
• すべてのエッジ感受性が等しい（Ω ≡ const）特別な場合としてソフト配置モデルを導入し、期待値において標準的な配置モデルを回復する。
• 観測されたエッジ多重度 A_ij と感受性行列 Ω の間の対数変換を含む方程式系を解くことで、モデルの期待隣接行列が与えられた実世界のグラフ G と一致するように感受性行列 Ω を推定する方法を導出する。
• 自己ループを含む有向・無向マルチグラフにモデルを適用し、Ξ と Ω の対称的または非対称的定式化により、さまざまなグラフタイプ間で一貫性を保つ。

実験結果

リサーチクエスチョン

• RQ1 リワイヤリング手順に依存せず、確率の解析的計算が可能な形で配置モデルを再定式化する方法は何か？
• RQ2 任意の二元的好み（エッジ感受性）を組み込みつつ、解析的取り扱いを維持できる一般のランダムグラフ集合を構築できるか？
• RQ3 固定された期待度数列と偏りのあるエッジ抽出を持つランダムグラフ集合におけるエッジ多重度の正確な確率分布は何か？
• RQ4 期待グラフが与えられた実世界のグラフ G と一致するように、感受性行列 Ω をどのように推定できるか？
• RQ5 このフレームワークは、度数の不均一性を超えた複雑なネットワークパターンの統計的仮説検定とモデル選択をどの程度サポートできるか？

主な発見

• GHypEGモデルは、Walleniusの非中心超幾何分布から導かれる、与えられた期待度数列とエッジ感受性を持つランダムグラフの確率分布の閉形式解析的表現を提供する。
• すべてのエッジ感受性が等しい（Ω ≡ const）場合、ソフト配置モデルはGHypEGの特別なケースとして回復され、期待値において標準的な配置モデルと整合性を保つ。
• 観測されたエッジ多重度 A_ij と感受性行列 Ω の間の対数変換を含む方程式系を解くことで、モデルの期待隣接行列を任意の実世界のグラフ G と正確に一致させることができる。
• 解析的形が可能であるため、尤度の効率的計算とモデル比較が可能となり、ネットワークパターンの堅牢な統計的推論と仮説検定が可能になる。
• 重み付き関係層の組み合わせを観測されたマルチグラフデータにフィット可能とするため、マルチプレックスネットワーク回帰を支援する。これにより、複数の相互作用メカニズムの研究が可能になる。
• 特定のグラフ実現の確率は、上三角行列におけるWallenius分布の項の積として表現され、組合せ行列 Ξ が制約下でのすべての可能なエッジ配置をカバーする。