Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Inferences on Mixing Probabilities and Ranking in Mixed-Membership Models

Sohom Bhattacharya, Jianqing Fan|arXiv (Cornell University)|Aug 29, 2023
Complex Network Analysis TechniquesPhysics and Astronomy被引用数 3
ひとこと要約

本稿は、混合-membership モデルにおけるノードの混合確率のための新しい有限標本展開を開発し、ノードの所属プロファイルに関する漸近的推論と信頼区間を可能にする。ノードのコミュニティ所属に基づく順位付けを統計的に評価するための、マルチプライヤーブートストラップに基づく順位推論フレームワークを導入し、合成および実世界のネットワークデータで検証されている。

ABSTRACT

Network data is prevalent in numerous big data applications including economics and health networks where it is of prime importance to understand the latent structure of network. In this paper, we model the network using the Degree-Corrected Mixed Membership (DCMM) model. In DCMM model, for each node $i$, there exists a membership vector $\boldsymbolπ_ i = (\boldsymbolπ_i(1), \boldsymbolπ_i(2),\ldots, \boldsymbolπ_i(K))$, where $\boldsymbolπ_i(k)$ denotes the weight that node $i$ puts in community $k$. We derive novel finite-sample expansion for the $\boldsymbolπ_i(k)$s which allows us to obtain asymptotic distributions and confidence interval of the membership mixing probabilities and other related population quantities. This fills an important gap on uncertainty quantification on the membership profile. We further develop a ranking scheme of the vertices based on the membership mixing probabilities on certain communities and perform relevant statistical inferences. A multiplier bootstrap method is proposed for ranking inference of individual member's profile with respect to a given community. The validity of our theoretical results is further demonstrated by via numerical experiments in both real and synthetic data examples.

研究の動機と目的

  • 混合-membership ネットワークモデルにおけるノードの混合確率の不確実性評価の重要なギャップを埋める。
  • 特定のコミュニティにおける所属プロファイルに基づいてノードを順位付けする統計的フレームワークを開発する。
  • ノードの相対的順位に関する有効な推論を可能にする。例えば、あるノードが別のノードよりも特定のコミュニティでより顕著であるかどうかを判断する。
  • 有限標本展開を用いて、所属割合に関する信頼区間と仮説検定の理論的保証を提供する。
  • 既存のスペクトルクラスタリングおよび摂動理論を拡張し、推論に向けた $ l_{\infty} $ および $ l_{2,\infty} $ スタイルの誤差バインディングをサポートする。

提案手法

  • 部分空間摂動理論を用いて、ノード $ i $ のコミュニティ $ k $ における混合確率 $ \boldsymbol{\pi}_i(k) $ の新しい有限標本展開を導出する。
  • スペクトルクラスタリングを活用して所属プロファイルを推定し、$ l_{\infty} $ および $ l_{2,\infty} $ の誤差バインディングを制御した推定量を構築する。
  • 順位統計量の標本分布を近似するためのマルチプライヤーブートストラップ法を提案し、ノード順位に関する有効な推論を可能にする。
  • ノードの所属プロファイルを比較するためのトレースベースの検定統計量 $ \mathcal{T} = \max_{j \neq i} \left| \frac{\text{Tr}[(\boldsymbol{C}^{\boldsymbol{\pi}}_{j,k} - \boldsymbol{C}^{\boldsymbol{\pi}}_{i,k}) \boldsymbol{W}]}{\sqrt{V_{\boldsymbol{C}^{\boldsymbol{\pi}}_{j,k} - \boldsymbol{C}^{\boldsymbol{\pi}}_{i,k}}}} \right| $ を用いた順位推論を提案する。
  • 濃縮不等式とガウス乱雑性との比較を通じて、$ \varepsilon_3 $ および $ \|\boldsymbol{C}^{\boldsymbol{\pi}}_{j,k} - \boldsymbol{C}^{\boldsymbol{\pi}}_{i,k}\|_{\text{max}} $ に関する条件下で、ブートストラップの漸近的有効性を確立する。
  • 合成および実世界のネットワークデータにおける数値実験を通じて理論的結果を検証し、信頼区間の正確なカバレッジと信頼できる順位推論を示している。
Figure 1: Histograms and Q-Q plots for validating the normality of $(\widehat{\boldsymbol{\pi}}_{1}(1)-\boldsymbol{\pi}_{1}(1))/\sqrt{\widehat{\textbf{var}}(\widehat{\boldsymbol{C}}^{\boldsymbol{\pi}}_{1,1})}$ . The orange curves in the first row of plots are the density of standard normal distribut
Figure 1: Histograms and Q-Q plots for validating the normality of $(\widehat{\boldsymbol{\pi}}_{1}(1)-\boldsymbol{\pi}_{1}(1))/\sqrt{\widehat{\textbf{var}}(\widehat{\boldsymbol{C}}^{\boldsymbol{\pi}}_{1,1})}$ . The orange curves in the first row of plots are the density of standard normal distribut

実験結果

リサーチクエスチョン

  • RQ1有限標本展開を用いて、DCMM モデルにおけるノードの混合確率 $ \boldsymbol{\pi}_i(k) $ に対して有効な信頼区間を提供できるか？
  • RQ2特定のコミュニティにおける所属に基づいて、ノードの相対的順位に関する統計的推論をどのように行えるか？
  • RQ3特定のコミュニティ内で2つのノードの所属プロファイルを比較する際に用いられる検定統計量の漸近的分布は何か？
  • RQ4提案されたマルチプライヤーブートストラップ法は、DCMM モデル下で順位推論のための有効な臨界値を提供するか？
  • RQ5推論フレームワークの漸近的有効性を保証するためのネットワーク構造および推定誤差に関する十分条件は何か？

主な発見

  • 本稿は、$ \boldsymbol{\pi}_i(k) $ に対する有限標本展開を確立し、個々の混合確率の漸近的正規性と信頼区間の構築を可能にした。
  • 提案されたマルチプライヤーブートストラップ法は、正則性条件下で順位推論に対して漸近的に有効であり、$ \left| \mathbb{P}(\mathcal{T} > c_{1-\alpha}) - \alpha \right| \to 0 $ を満たす。
  • $ \varepsilon_3 $、$ \|\boldsymbol{C}^{\boldsymbol{\pi}}_{j,k} - \boldsymbol{C}^{\boldsymbol{\pi}}_{i,k}\|_{\text{max}} $、および $ \log n $ スケールの誤差項を含む条件下で理論的保証を導出した。
  • 合成ネットワークおよび実際のネットワークにおける数値実験により、信頼区間の正確なカバレッジと信頼できる順位推論が確認された。
  • 金融やソーシャルネットワークにおける応用を想定し、あるノードが特定のコミュニティで他より顕著であるかどうかといった推論を効果的にサポートした。
  • ブートストラップ近似誤差に関して $ o(1) $ 収束を達成し、大規模ネットワークにおいても頑健性を確保した。
Figure 2: Left: Scatter plot of $\widehat{\boldsymbol{r}}_{i}$ for $i\in[n]$ . Several representative companies in each corners are highlighted. Right: The test results of $H_{01},H_{02}$ and $H_{03}$ . Red/blue/green means that $H_{01}$ / $H_{02}$ / $H_{03}$ is rejected while grey means that none o
Figure 2: Left: Scatter plot of $\widehat{\boldsymbol{r}}_{i}$ for $i\in[n]$ . Several representative companies in each corners are highlighted. Right: The test results of $H_{01},H_{02}$ and $H_{03}$ . Red/blue/green means that $H_{01}$ / $H_{02}$ / $H_{03}$ is rejected while grey means that none o

より良い研究を、今すぐ始めましょう

論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。