[論文レビュー] Network archaeology: phase transition in the recoverability of network history

Jean-Gabriel Young, Laurent Hébert‐Dufresne+4 more|arXiv (Cornell University)|Mar 25, 2018

Complex Network Analysis Techniques被引用数 3

ひとこと要約

本稿では、一般化された優先的付加モデルを用いて、複雑ネットワークの歴史的進化を再構築するベイジアンフレームワークを提案する。逐次重要度サンプリングアルゴリズムと線形時間のヒューリスティクスを開発し、あるパrameter閾値を超えるとネットワークの歴史が回復不能になる段階的転移を明らかにしたが、パrameter空間の大部分および実データにおいても非自明な推論が可能であることが示された。

ABSTRACT

Network growth processes can be understood as generative models of the structure and history of complex networks. This point of view naturally leads to the problem of network archaeology: Reconstructing all the past states of a network from its structure---a difficult permutation inference problem. In this paper, we introduce a Bayesian formulation of network archaeology, with a generalization of preferential attachment as our generative mechanism. We develop a sequential importance sampling algorithm to evaluate the posterior averages of this model, as well as an efficient heuristic that uncovers the history of a network in linear time. We use these methods to identify and characterize a phase transition in the quality of the reconstructed history, when they are applied to artificial networks generated by the model itself. Despite the existence of a no-recovery phase, we find that non-trivial inference is possible in a large portion of the parameter space as well as on empirical data.

研究の動機と目的

• 現在の構造から複雑ネットワークの完全な進化履歴を再構築する課題に対処すること。
• ネットワークの成長を生成プロセスとしてモデル化し、過去の状態の推論を可能にすること。
• 合成ネットワークおよび実世界のネットワークに適用可能なスケーラブルで正確なネットワークアーカイブ法を開発すること。
• ネットワークの歴史が信頼性を持って再構築可能かどうかの条件を特定すること。

提案手法

• 一般化された優先的付加メカニズムを生成モデルとして用いて、ネットワークアーカイブ学をベイジアン推論問題として定式化すること。
• 可能なネットワーク歴史の事後平均を計算するために逐次重要度サンプリングアルゴリズムを実装すること。
• 線形時間でネットワーク歴史を再構築可能な計算効率の高いヒューリスティクスを設計すること。
• モデルを用いて人工ネットワークをシミュレートし、さまざまなパrameterにおける再構築品質を評価すること。
• 実データのネットワークに手法を適用し、実世界への適用可能性を検証すること。
• モデルパrameterを変化させ、推論精度を測定することで、回復可能性の段階的転移を分析すること。

実験結果

リサーチクエスチョン

• RQ1 ネットワークの生成メカニズムが存在するにもかかわらず、ネットワーク歴史の再構築が統計的に不可能になる点はどこか？
• RQ2 一般化された優先的付加モデルの異なるパrameter領域における推論手法の性能はどのように変化するか？
• RQ3 理論的回復可能性の限界に達した領域でも、実際には非自明なネットワーク歴史が回復可能か？
• RQ4 提案手法は、実世界の実データネットワークにおいて、合成ベンチマークと比較してどの程度の性能を示すか？
• RQ5 ネットワークの構造的または動的特徴のうち、現在の状態からのみでは回復可能性にどのような影響を与えるか？

主な発見

• ネットワーク歴史の回復可能性に段階的転移が存在することが同定され、ある臨界パrameter閾値を超えると正確な再構築が不可能になる。
• 回復不能領域が存在する一方で、パrameter空間の大部分において非自明な推論が可能であることが示された。
• 提案された線形時間ヒューリスティクスにより、合成ネットワークおよび実データネットワークの両方で高精度なネットワーク歴史再構築が効率的に行えるようになった。
• 逐次重要度サンプリングアルゴリズムにより、モデル評価および推論のための信頼性の高い事後分布推定が可能になった。
• 実データネットワークには、回復可能な歴史の証拠が示され、現実世界のネットワークが推論可能な領域に多く含まれていることが示唆された。
• 本研究では、理論的限界が示唆するよりも、多くの現実世界の複雑ネットワークに対してネットワークアーカイブ学が実用可能であることが示された。