[論文レビュー] Inferential Approaches for Network Analyses: AMEN for Latent Factor Models

Shahryar Minhas, Peter D. Hoff+1 more|arXiv (Cornell University)|Nov 2, 2016

Complex Network Analysis Techniques参考文献 26被引用数 8

ひとこと要約

本稿では、一般化線形モデルのフレームワークを用いて、ノード間、ペair間、およびそれ以上の高次依存関係を柔軟に扱えるベイジアンネットワーク手法、加法的・乗法的効果（AME）モデルを提案する。潜在空間モデル（LSM）および指数型ランダムグラフモデル（ERGM）と比較して、AMEは劣化を回避し、解釈可能性を保ちつつ、一次、二次、三次のネットワーク依存関係を捉える優れた予測性能を示す。

ABSTRACT

We introduce a Bayesian approach to conduct inferential analyses on dyadic data while accounting for interdependencies between observations through a set of additive and multiplicative effects (AME). The AME model is built on a generalized linear modeling framework and is thus flexible enough to be applied to a variety of contexts. We contrast the AME model to two prominent approaches in the literature: the latent space model (LSM) and the exponential random graph model (ERGM). Relative to these approaches, we show that the AME approach is a) to be easy to implement; b) interpretable in a general linear model framework; c) computationally straightforward; d) not prone to degeneracy; e) captures 1st, 2nd, and 3rd order network dependencies; and f) notably outperforms ERGMs and LSMs on a variety of metrics and in an out-of-sample context. In summary, AME offers a straightforward way to undertake nuanced, principled inferential network analysis for a wide range of social science questions.

研究の動機と目的

• 社会的科学におけるネットワーク分析において、相互作用が系的な相関関係を持つにもかかわらず独立であると仮定する二項的独立性の仮定の限界を是正すること。
• 二値、順序尺度、連続尺度のエッジを有する横断的および縦断的ネットワークを分析するための、柔軟で解釈可能かつ計算的に効率的な推論フレームワークを構築すること。
• 潜在空間モデル（LSM）および指数型ランダムグラフモデル（ERGM）といった既存のモデルと比較し、AMEのネットワーク依存関係の捉え具合およびリンク予測性能を評価すること。
• AMEが、同質性（ホモフィリー）、確率的同等性、および回帰的相互作用や次数の不均一性といった高次依存関係を効果的にモデル化できることを示すこと。
• 政治学および社会的ネットワーク研究分野における原則的で解釈可能な推論分析を可能にする、非退化なERGMおよびLSMの代替手段を提供すること。

提案手法

• AMEモデルは、一般化線形モデルの枠組みを用い、加法的効果（SRM）でノードおよびペア間の依存関係をモデル化し、乗法的効果（LFM）で三次依存関係（例：ホモフィリー、相互性）を捉える。
• 加法的効果部は、個々のノードの傾向（送信者および受信者効果など）とペアワイズの共変量をモデル化し、標準的な線形モデルの枠組み内で解釈可能となる。
• 乗法的効果部は、ネットワークの潜在的構造の低ランク因子分解を用い、退化を回避しつつ複雑な依存関係を効率的にモデル化可能である。
• モデルはベイジアン推論を用いて推定され、不確実性の定量化および完全な事後予測検証によるモデル妥当性の検証が可能となる。
• このフレームワークは二値および連続的エッジタイプをサポートし、適切な時変動成分を組み込むことで縦断的設定へ拡張可能である。
• モデル比較は、シミュレートされたネットワークおよび実世界のネットワークを用いたAUC（ROC）およびAUC（PR）指標により実施され、再現コードはGitHubで公開されている。

実験結果

リサーチクエスチョン

• RQ1 AMEモデルは、さまざまなネットワーク構造下でLSMおよびERGMと比較して、リンク予測においてどの程度の性能を示すか？
• RQ2 AMEは、次数の不均一性、相互性、ホモフィリーといった一次、二次、三次のネットワーク依存関係をどの程度正確に捉えることができるか？
• RQ3 AMEは、ERGMに一般的に見られる退化問題を回避しつつ、予測精度を維持できるか？
• RQ4 ネットワークの均等性（次数分布の分散）および相互性のレベルの変化に伴い、モデルの性能はどのように変化するか？
• RQ5 AMEは、複雑なネットワーク依存関係を考慮しつつ、外生的共変量に関する解釈可能な推論を可能にするか？

主な発見

• AMEモデルは、AUC（ROC）およびAUC（PR）統計量で測定した予測性能において、複数のシミュレーション状況でLSMおよびERGMを常に上回る。
• 低均等性（ノード次数の分散が大きい）の条件下では、LSMおよびLFMの両方の性能が低下するが、LFM（AMEの乗法的成分）はLSMを依然として上回る。
• AMEのLFM成分は、特に相互性が高い状況で相互性を優れた性能で捉えることができ、LSMとの性能差は縮小するが依然として有利である。
• AMEの加法的効果は、非均等的ネットワークにおける正確な予測に不可欠な次数の不均一性およびノードの傾向を効果的にモデル化する。
• 加法的および乗法的効果を組み合わせた完全なAMEモデルは、LSMやERGM単体よりも、より強固で正確なネットワーク構造の表現を提供する。
• AMEフレームワークは、ERGMに一般的に見られる退化問題を回避し、原則的で解釈可能かつ計算的に効率的な推論ネットワーク分析の代替手段を提供する。