[論文レビュー] Latent Network Models to Account for Noisy, Multiply-Reported Social Network Data

Caterina De Bacco, Martina Contisciani+11 more|arXiv (Cornell University)|Dec 21, 2021

Complex Network Analysis Techniques被引用数 5

ひとこと要約

この論文は、複数の個人からの報告に基づく社会的ネットワークデータにおけるノイズと相互性（ reciprocity ）を考慮した確率的潜在ネットワークモデルを提案する。変分ベイズ推論を用いて、報告者固有の報告バイアスと相互報告傾向（mutuality）を推定し、標準的な集約手法が見逃す可能性のあるインドおよびニカラグアの村社会ネットワークにおける顕著な相互性効果を明らかにする。

ABSTRACT

Social network data are often constructed by incorporating reports from multiple individuals. However, it is not obvious how to reconcile discordant responses from individuals. There may be particular risks with multiply-reported data if people's responses reflect normative expectations -- such as an expectation of balanced, reciprocal relationships. Here, we propose a probabilistic model that incorporates ties reported by multiple individuals to estimate the unobserved network structure. In addition to estimating a parameter for each reporter that is related to their tendency of over- or under-reporting relationships, the model explicitly incorporates a term for ``mutuality,'' the tendency to report ties in both directions involving the same alter. Our model's algorithmic implementation is based on variational inference, which makes it efficient and scalable to large systems. We apply our model to data from 75 Indian villages collected with a name-generator design, and a Nicaraguan community collected with a roster-based design. We observe strong evidence of ``mutuality'' in both datasets, and find that this value varies by relationship type. Consequently, our model estimates networks with reciprocity values that are substantially different than those resulting from standard deterministic aggregation approaches, demonstrating the need to consider such issues when gathering, constructing, and analysing survey-based network data.

研究の動機と目的

• 複数の個人からの調柒データにおける不一致する社会的ネットワーク報告を統合する課題に対処すること。
• 関係の過大または過小報告傾向を示す報告者固有のバイアスをモデル化すること。
• 複数の報告者にわたる相互性（相互に報告する傾向）を明示的に扱うこと。
• ノイズが多く、複数報告されたデータから大規模なネットワーク再構築を効率的かつスケーラブルに行う推論手法を開発すること。
• 実世界の村データセットを用いて、相互性と報告バイアスがネットワーク構造に与える影響を示すこと。

提案手法

• モデルは、複数のノイズのある報告から潜在的な真のネットワークを推定するための確率的生成フレームワークを用いる。
• 報告者固有のパラメータを導入し、個々の報告者が関係を過大または過小報告する傾向をモデル化する。
• 別個の相互性パラメータを用いて、片方向の報告しかなければならなくても、相互関係を報告する傾向を捉える。
• 効率的かつスケーラブルな事後分布近似のため、変分ベイズ推論を採用し、大規模ネットワークへの適用を可能にする。
• 尤度関数は、報告者固有の報告確率と相互報告項を組み合わせ、ネットワーク構造と報告バイアスを同時に推定する。
• 平均場変分ベイズ推論を用いて、マージナル尤度の下界を最大化するようにパラメータを反復的に更新する。

実験結果

リサーチクエスチョン

• RQ1 個人の報告バイアスは、集約された社会的ネットワークデータの正確性にどのように影響するか？
• RQ2 複数報告されたネットワークデータにおいて、相互関係の報告（相互性）はどの程度顕著に現れるか？
• RQ3 異なる関係タイプは、自己報告ネットワークにおける相互性の強さにどのように影響するか？
• RQ4 推定された潜在ネットワーク構造は、標準的な決定的集約法によって得られるものとどのように異なるか？
• RQ5 大規模なスケーラブルな確率的モデルは、調査ベースのネットワークデータにおけるノイズと相互性を効果的に補正できるか？

主な発見

• インドの村社会およびニカラグアのコミュニティデータセットの両方で、強い相互性の証拠が得られ、体系的な相互報告傾向が示された。
• 相互性は関係タイプによって顕著に異なり、報告行動が社会的役割によって一様ではないことを示唆した。
• 標準的な決定的集約法で得られたものとは対照的に、モデルが推定した相互性の値は顕著に異なった。これは、従来の手法によるバイアスのリスクを浮き彫りにした。
• 報告者固有のバイアスパラメータは、個人ごとに系統的な過大または過小報告の傾向を明らかにした。
• 変分ベイズ推論の実装により、大規模なネットワークデータセットにおいても効率的かつスケーラブルな推論が可能となり、実用的応用を支援した。
• 相互性と報告バイアスを無視すると、特に主観的または認識に基づくネットワークデータにおいて、歪んだネットワーク構造が生じることを示した。