[論文レビュー] Latent Point Process Models for Spatial-Temporal Networks

Yoon-Sik Cho, Aram Galstyan+2 more|arXiv (Cornell University)|Feb 12, 2013

Human Mobility and Location-Based Analysis参考文献 23被引用数 13

ひとこと要約

本稿では、場所と時刻のデータのみを用いて、不完全な相互作用イベントにおける観測されない参加者を推定するための空間的・時系列的潜在ポイント過程モデルを提案する。近似的な変分EMアルゴリズムを用いて、欠落した身元を同時に推定し、将来のイベントを予測する。合成データおよび実世界のデータを用いた実験で、身元推定および予測タスクにおいて優れた性能を示した。

ABSTRACT

Social network data is generally incomplete with missing information about nodes and their interactions. Here we propose a spatial-temporal latent point process model that describes geographically distributed interac-tions between pairs of entities. In contrast to most existing approaches, we assume that interactions are not fully observable, and certain interaction events lack information about participants. Instead, this information needs to be inferred from the available obser-vations. We develop an efficient approximate algorithm based on variational expectation-maximization to infer unknown participants in an event given the location and the time of the event. We validate the model on syn-thetic as well as real–world data, and ob-tain very promising results on the identity-inference task. We also use our model to predict the timing and participants of future events, and demonstrate that it compares fa-vorably with a baseline approach. 1

研究の動機と目的

• 相互作用参加者が観測されないもしくは欠落している不完全なソーシャルネットワークデータの課題に対処すること。
• 参加者の観測が不完全な状況下でも、エンティティペア間の地理的に分散した相互作用をモデル化すること。
• 欠落した身元の推定と将来のイベント予測を同時に効率的に実行する推論手法を開発すること。
• 合成データおよび実世界のデータセットを用いて、身元推定およびイベント予測の両タスクにおけるモデルの妥当性を検証すること。

提案手法

• モデルは、連続的な時刻と空間におけるイベントとして相互作用を表現する空間的・時系列的ポイント過程を用いる。
• 相互作用参加者は潜在変数として扱い、データには観測されず、イベントの位置とタイムスタンプから推定する必要がある。
• 潜在参加者に関する事後分布が計算不能であるため、変分期待最大化（VEM）に基づく近似的な推論アルゴリズムを開発する。
• VEMアプローチは、真の潜在参加者に関する事後分布を近似するために、繰り返し変分パラメータを最適化する。
• 観測されたイベントメタデータを用いて、イベント発生の強度関数と参加者身元分布を同時に学習する。
• 統一された確率的生成プロセスを通じて、身元推定と将来のイベント予測の両方を実現するフレームワークを提供する。

実験結果

リサーチクエスチョン

• RQ1 時刻と場所のデータのみを用いて、空間的・時系列的ソーシャル相互作用における欠落した参加者を効果的に推定できるか？
• RQ2 提案手法は、ベースライン手法と比較して、観測されない相互作用参加者の復元にどの程度優れた性能を示すか？
• RQ3 不完全なデータのもとで、将来のイベントの発生時刻と参加者をどの程度正確に予測できるか？
• RQ4 実世界のソーシャルネットワークにおけるデータの疎らさや参加者情報の欠落に対して、モデルはどの程度頑健か？

主な発見

• 本モデルは、合成データおよび実世界のデータセットの両方で、身元推定タスクにおいて優れた性能を達成し、ベースライン手法を上回った。
• 変分EMアルゴリズムにより、大規模な空間的・時系列的ネットワークにおける潜在参加者身元の効率的かつスケーラブルな推論が可能になった。
• ベースライン手法と比較して、将来のイベント発生時刻および参加者予測においても、良好な予測性能を示した。
• 合成データの結果から、参加者情報が欠落している状況下でも、真の相互作用パターンを回復できる能力が妥当性を確認された。
• 空間的・時系列的依存関係を活用することで、データの不完全性を効果的に処理し、観測されないエージェントを推定する能力を有した。
• 統合された推論フレームワークにより、相互作用を統一的な生成プロセスとしてモデル化することで、身元回復と予測精度の両方を向上させた。