[論文レビュー] Measurement errors in network data.

M. E. J. Newman|arXiv (Cornell University)|Mar 21, 2017

Complex Network Analysis Techniques被引用数 4

ひとこと要約

本稿では、顔を合わせた会話や自己報告による友人関係といった豊富なマルチモーダル観察データを活用して、真のネットワーク構造の最適推定を可能にする統計的フレームワークを提案する。生のデータに内在する不確実性をモデル化することで、測定誤差を是正し、社会的ネットワーク推定の正確性を向上させ、顕著な誤差低減効果を示した。

ABSTRACT

Driven by growing interest in the sciences, industry, and among the broader public, a large number of empirical studies have been conducted in recent years of the structure of networks ranging from the internet and the world wide web to biological networks and social networks. The data produced by these experiments are often rich and multimodal, yet at the same time they may contain substantial measurement error. In practice, this means that the true network structure can differ greatly from naive estimates made from the raw data, and hence that conclusions drawn from those naive estimates may be significantly in error. In this paper we describe a technique that circumvents this problem and allows us to make optimal estimates of the true structure of networks in the presence of both richly textured data and significant measurement uncertainty. We give example applications to two different social networks, one derived from face-to-face interactions and one from self-reported friendships.

研究の動機と目的

• 社会的、生物学的、技術的ネットワークを含む多様な分野における実証的ネットワークデータにおける測定誤差という広範な問題に対処すること。
• ノイズ多きく、不完全または偏りのある生の観察データがあっても、真のネットワーク構造の最適推定を可能にする手法を開発すること。
• 顔を合わせた会話と自己報告の友人関係という、異なるデータ収集モダリティを持つ実世界の社会的ネットワークに対して、本手法の有効性を示すこと。
• 測定誤差がネットワーク推定に与える影響を定量化し、是正によってより信頼性の高い構造的結論が得られることを示すこと。

提案手法

• 本手法は、観察されたネットワークエッジにおける不確実性を扱う確率的生成モデルを採用し、生のデータを真のネットワークのノイズ混じりの実現とみなす。
• 複数のデータソース（マルチモーダルデータ）を統合して推定を改善し、共起パターンや観察タイプ間の相互検証を活用する。
• 観察データと誤差モデルを前提として、真のネットワーク構造の事後分布をベイズ推論によって推定するフレームワークを用いる。
• 各データストリームの信頼性と特徴的なバイアスを反映する尤度関数を通じて、測定誤差を明示的にモデル化する。
• 不確実性下での期待損失を最小化することで最適推定を実現し、頑健なネットワーク推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ネットワークデータにおける測定誤差は、推定されたネットワーク構造の正確性にどのように影響するか？
• RQ2 測定不確実性が存在する中で、マルチモーダルデータは真のネットワークトポロジーの推定をどの程度改善できるか？
• RQ3 ナイーブな生データからの推定と比較して、原理的統計フレームワークはバイアスと誤差を低減できるか？
• RQ4 顔を合わせた会話と自己報告という異なる種類のネットワークデータにおいて、本手法の性能はどのように変化するか？

主な発見

• 提案手法は、生データからのナチュラル推定と比較して、ネットワーク推定における構造的バイアスを顕著に低減した。
• 顔を合わせた会話ネットワークでは、標準的手法よりも真のネットワーク構造をより高精度に回復できた。
• 自己報告による友人関係ネットワークでは、系統的な過小・過大報告を是正し、中心性やクラスタリング指標の正確性が向上した。
• マルチモーダルデータの統合により、個々のデータソースがノイズや不完全であっても、より安定的かつ信頼性の高いネットワーク推定が得られた。