[論文レビュー] Multiplex Network Regression: How do relations drive interactions?

Giona Casiraghi|arXiv (Cornell University)|Feb 7, 2017

Complex Network Analysis Techniques参考文献 36被引用数 15

ひとこと要約

本稿では、一般化超幾何アンサンブル（gHypEG）に基づく統計モデルであるMultiplex Network Regressionを紹介する。このモデルは、重み付き関係層が多エッジネットワークにおける観測された相互作用回数に与える影響を定量化する。組み合わせ的要因と関係的要因を分離することで、各関係の統計的有意性と強さを、閾値処理を伴わずにカウントデータを完全に活用できる形で予測可能にする。

ABSTRACT

We introduce a statistical regression model to investigate the impact of dyadic relations on complex networks generated from observed repeated interactions. It is based on generalised hypergeometric ensembles (gHypEG), a class of statistical network ensembles developed recently to deal with multi-edge graph and count data. We represent different types of known relations between system elements by weighted graphs, separated in the different layers of a multiplex network. With our method, we can regress the influence of each relational layer, the explanatory variables, on the interaction counts, the dependent variables. Moreover, we can quantify the statistical significance of the relations as explanatory variables for the observed interactions. To demonstrate the power of our approach, we investigate an example based on empirical data.

研究の動機と目的

• 複雑なシステムにおける観測された相互作用回数に、既知の二元的関係が与える影響を定量化する統計的回帰フレームワークの開発。
• 多エッジまたは重み付きデータを二値グラフに変換する必要がある従来のネットワークモデルの限界を克服し、情報を損なわないこと。
• ノードの活動（例：高次数ノードが偶然多く相互作用する）によって生じる組み合わせ的効果と関係的つながりの効果を分離すること。
• 各関係層が相互作用頻度の予測子としての強さと統計的有意性を同時に推定できること。
• 繰り返し発生する相互作用と重み付き関係を持つ複雑システムを分析するためのスケーラブルで解釈可能な手法の提供。

提案手法

• モデルは、一般化超幾何アンサンブル（gHypEG）という統計的ネットワークアンサンブルフレームワークを用い、カウントデータを伴う多エッジグラフをモデル化する。
• 異なる種類の関係を、マルチプレックスネットワーク構造の別々のレイヤー上での重み付きグラフとして表現する。
• 回帰フレームワークは、ノード活動をベースラインとして考慮しつつ、ノードペア間の相互作用発生の対数オッズを関係的予測子の関数として推定する。
• ノード次数が与えられたもとで相互作用がランダムであると仮定するノードモデルを介して組み合わせ的効果を組み込み、実際の関係の効果を分離する。
• 最尤推定によりモデルパラメータを推定し、各関係層の統計的有意性に関する推論を可能にする。
• エッジカウントの分布的仮定を避けるために、アンサンブル理論に基づく指数型分布族モデルを用いる。

実験結果

リサーチクエスチョン

• RQ1 友人関係や共通の授業への所属といった既知の二元的関係が、ネットワーク内の観測された相互作用頻度をどの程度説明できるか。
• RQ2 ノード活動に起因する組み合わせ的効果（例：高次数ノードが偶然多く相互作用する）と関係的つながりの影響をどのように統計的に分離できるか。
• RQ3 友人関係、授業、トピック、Facebookのリンクといった複数の関係層（相関がある可能性あり）が相互作用を予測する上で果たす相対的寄与度は何か。
• RQ4 関係データが不完全または部分的に重複する場合（例：自己申告の友人関係とFacebookの友人関係）、モデルの性能はどのようになるか。
• RQ5 強い関係を制御した後でも、性別による同質性（ジェンダー同質性）といった弱いまたは隠れた関係的効果をモデルが検出できるか。

主な発見

• 友人関係は、授業への所属やトピック類似性を制御した後でさえ、観測された相互作用の最も強い予測子である。
• モデルは、相互に認め合った友人関係が含まれている場合、片思いの友人関係（一方的宣言）が相互作用頻度にほとんど影響しないことを示している。
• 授業への所属とトピック類似性は有意な予測子であるが、それらの部分的な相関のため、併用時の効果は期待値より小さい。
• 不完全で自己申告の友人関係と部分的に重複するFacebookベースの友人関係データでさえ、相互作用パターンの説明に寄与している。
• 他の関係的要因を制御した後でも、性別による同質性は相互作用にやや弱い効果しか示さないため、調査されたデータセットでは支配的要因ではない。
• モデルは各関係層の統計的有意性を正確に定量化できており、関係が単なる相関ではなく、因果的に影響を与えていることを示している。