[論文レビュー] Modeling Dynamical Influence in Human Interaction Patterns

Wei Pan, Manuel Cebrián+4 more|arXiv (Cornell University)|Sep 1, 2010

Opinion Dynamics and Social Influence参考文献 36被引用数 12

ひとこと要約

本稿では、未知のネットワーク構造を持つ社会的システムにおいて、観測された時系列データのみを用いて時間的に変化するエンティティ間の影響を推定する動的影響モデルを提案する。潜在状態間を切り替えるパラメータとしての影響をモデル化することで、祝祭期間中の長距離インフルエンザ感染拡大など、変化する伝播パターンを的確に捉えることができ、観測データからの因果的影響の推定が堅牢に行えることを示している。

ABSTRACT

How can we model influence between individuals in a social system, even when the network of interactions is unknown? In this article, we review the literature on the "influence model," which utilizes independent time series to estimate how much the state of one actor affects the state of another actor in the system. We extend this model to incorporate dynamical parameters that allow us to infer how influence changes over time, and we provide three examples of how this model can be applied to simulated and real data. The results show that the model can recover known estimates of influence, it generates results that are consistent with other measures of social networks, and it allows us to uncover important shifts in the way states may be transmitted between actors at different points in time.

研究の動機と目的

• 相互作用ネットワークが未知の状況下での社会的システム内での個人間の影響をモデル化すること。
• 特に祝祭期などの文脈的変化に応じて変化する影響ダイナミクスを捉える手法を開発すること。
• 直接的なネットワーク構造を必要とせず、観測時系列データから因果的影響経路を推定すること。
• 合成データおよび実世界のデータ（グループディスカッションやインフルエンザ流行トレンドを含む）を用いてモデルを検証すること。

提案手法

• 各エンティティが潜在状態を持ち、条件付き発生確率（正規分布または多項分布）に従って観測信号を発生させる隠れマルコフモデルを用いる。
• 影響は、複数の影響行列 R(j) のうちから切り替えるパラメータ rt によってモデル化され、それぞれが異なる影響ダイナミクスの状態を表す。
• 影響行列 R(j) は、各エンティティの状態がその近隣に与える影響を定義し、時間的に変化するパラメータがネットワークトポロジーの変化を捉える。
• 潜在状態および切り替えパラメータの事後分布を推定するために、変分ベイズ推論を用いたベイズフレームワークで推論を実行する。
• 時系列の順序および相互作用の非対称性を組み込むことで、静的または断面的データよりも優れた因果推論を実現する。
• 本モデルは、3つのデータセットに適用された：シミュレートされたグループダイナミクス、会議におけるソーシオメトリックバッジデータ、Google Flu Trendsが提供する米国週次インフルエンザ活動データ。

実験結果

リサーチクエスチョン

• RQ1 基礎となる社会的ネットワークが不明な状況下で、個人間の影響をどのように推定できるか？
• RQ2 特に祝祭期などの外部要因に応じて、影響パターンはどのように変化するか？
• RQ3 時系列データのみを用いて、既知の影響経路を回復できるか？
• RQ4 季節的要因に起因する長距離影響の変化など、伝播ダイナミクスの変化をどの程度検出できるか？
• RQ5 本モデルは、他のネットワーク推定手法と比較して、現実の社会的ダイナミクスをどの程度正確に捉えられるか？

主な発見

• 合成データにおいて、既知の影響経路が時系列データのみから正確に回復され、潜在的影響構造の推定精度が確認された。
• ソーシオメトリックバッジデータにおいて、影響は非対称的かつ時間依存的であり、特定のフェーズにおいて一部の個人がより強い影響を発揮することが同定された。
• 祝祭期間中、地理的に離れた米国地域間で長距離影響が顕著に増加することが、モデルによって検出された。
• 切り替えパラメータ rt の事後確率がクリスマス時期にピークに達しており、影響パターンの不連続な変化が示され、移動や社会的接触の増加と相関していた。
• モデルは、通常期と祝祭期の2つの異なる影響行列を特定し、米国各地域におけるインフルエンザの伝播能の変化を正確に捉えていた。
• 結果は既知の疫学的パターンと整合しており、祝祭期に伴う移動行動が、明示的にモデル化されていなくても、病気の広がり方のダイナミクスを顕著に変化させることを示唆している。