[論文レビュー] Network Inference from Temporal-Dependent Grouped Observations

Yunpeng Zhao|arXiv (Cornell University)|Aug 25, 2018

Complex Network Analysis Techniques被引用数 3

ひとこと要約

本稿では、時間的依存性を持つグループ化観測から隠れ社会ネットワークを推定する新しいモデルを提案する。グループのリーダーはマルコフ連鎖に従い、隣接するグループ間には相関が存在する。前向き後ろ向きアルゴリズムに基づく多項式時間のEステップを備えたEMアルゴリズムを用いることで、独立なグループ仮定よりもネットワーク推定を改善し、シミュレーションとチンパンジーの社会行動データへの応用で精度が向上することを検証した。

ABSTRACT

In social network analysis, the observed data is usually some social behavior, such as the formation of groups, rather than an explicit network structure. Zhao and Weko (2017) propose a model-based approach called the hub model to infer implicit networks from grouped observations. The hub model assumes independence between groups, which sometimes is not valid in practice. In this article, we generalize the idea of the hub model into the case of grouped observations with temporal dependence. As in the hub model, we assume that the group at each time point is gathered by one leader. Unlike in the hub model, the group leaders are not sampled independently but follow a Markov chain, and other members in adjacent groups can also be correlated. An expectation-maximization (EM) algorithm is developed for this model and a polynomial-time algorithm is proposed for the E-step. The performance of the new model is evaluated under different simulation settings. We apply this model to a data set of the Kibale Chimpanzee Project.

研究の動機と目的

• 社会ネットワーク解析におけるグループ化観測の独立性を仮定する従来のネットワーク推定手法の限界を是正すること。
• グループのリーダーがマルコフ連鎖に従うことで、グループ化データにおける時間的依存性をモデル化し、動的な社会構造を捉えること。
• 時間的依存性下での隠れネットワーク推定の計算的に効率的な手順を開発すること。
• ハブモデルを拡張し、隣接するグループ間の相関を組み込むことで、ネットワーク再構築の現実性を向上させること。
• シミュレーションデータおよび実世界の動物のグループ行動（例：キバレ・チンパンジー・プロジェクト）を用いてモデルを検証すること。

提案手法

• グループのリーダーに隠れマルコフ連鎖をモデル化することで、ネットワーク構造における時間的依存性を許容する。
• 各グループが1人の個体によってリードされ、他のメンバーがリーダーおよび直前のグループ状態に条件付きで依存する階層的モデルを導入する。
• パラメータ推定に期待最大化（EM）アルゴリズムを用い、隠れマルコフモデルの前向き後ろ向きアルゴリズムを用いた多項式時間のEステップを実装する。
• Eステップのための十分統計量を導出する。これには、リーダーの遷移回数および時系列における共起回数が含まれる。
• ロジスティック回帰に類似したリンク関数を用いてエッジ確率をモデル化し、リーダーの影響力、グループ間相関、エッジ強度のパラメータを組み込む。
• 完全データの対数尤度の1階および2階微分の閉形式表現を導出し、Mステップにおけるニュートン・ラプソン法最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 時間的依存性を持つグループ化観測を効果的にモデル化することで、i.i.d.仮定を上回る隠れネットワーク推定が可能になるか？
• RQ2 グループのリーダーにマルコフ連鎖を組み込むことで、推定された社会ネットワークの精度がどのように向上するか？
• RQ3 前向き後ろ向きアルゴリズムに基づく多項式時間Eステップを備えたEMアルゴリズムを用いることで、時間的依存性下でのネットワーク推定が計算的に実行可能か？
• RQ4 隣接するグループ間の相関を組み込むことで、独立なグループモデルと比較してネットワーク推定の品質がどのように変化するか？
• RQ5 提案モデルは、チンパンジーの関係性といった実世界の動物のグループ行動データにおいて、既知の社会構造を効果的に回復できるか？

主な発見

• 時間的依存性を伴うシミュレーション設定において、独立ハブモデルと比較して本モデルはネットワーク推定の精度を顕著に向上させる。
• 前向き後ろ向きアルゴリズムを用いたEMアルゴリズムは多項式時間の複雑度を達成し、大規模ネットワークへのスケーラビリティを実現する。
• キバレ・チンパンジー・プロジェクトのデータにおいて、時間的ダイナミクスを効果的に捉え、i.i.i.d.モデルよりも現実的でより良い社会構造を明らかにする。
• リーダーのマルコフ依存性およびグループ間相関の組み込みにより、より安定的かつ解釈可能なネットワーク推定が得られる。
• 導出された微分係数により、ニュートン・ラプソン法による効率的最適化が可能となり、実用的な時間内に収束することが保証される。
• 時間的依存性下で真のネットワーク構造を回復する際、共起度やハーフ・ウェイト指数法と比較して本モデルが優れた性能を示す。