[論文レビュー] On the Theoretical Properties of the Network Jackknife

Qiaohui Lin, Robert Lunde+1 more|arXiv (Cornell University)|Apr 19, 2020

Limits and Structures in Graph Theory参考文献 38被引用数 4

ひとこと要約

本稿は、スパースグラフオンモデル下でのネットワーク統計の分散推定に対して、ネットワークジャックナイフ（ノードを1つずつ除外するリサンプリング手法）の理論的性質を確立する。Efron-Stein型の不等式を証明し、置換不変な関数型に対して期待値において保守的な分散推定が得られることを示し、一般クラスのカウント関数型に対して一貫性を確立する。シミュレーションおよび実データにおいて、部分抽出法や他のリサンプリング手法と比較して、優れた有限標本性能を示す。

ABSTRACT

We study the properties of a leave-node-out jackknife procedure for network data. Under the sparse graphon model, we prove an Efron-Stein-type inequality, showing that the network jackknife leads to conservative estimates of the variance (in expectation) for any network functional that is invariant to node permutation. For a general class of count functionals, we also establish consistency of the network jackknife. We complement our theoretical analysis with a range of simulated and real-data examples and show that the network jackknife offers competitive performance in cases where other resampling methods are known to be valid. In fact, for several network statistics, we see that the jackknife provides more accurate inferences compared to related methods such as subsampling.

研究の動機と目的

• モデルの誤指定に強く、完全なグラフオン推定を必要としない理論的裏付けのあるリサンプリング手法の開発。
• スパースグラフオンモデル下で、置換不変なネットワーク関数型に対して保守的な分散推定を確立すること。
• 部分グラフカウントやトランジティビティ測度などの広範なクラスのカウント関数型に対して、ネットワークジャックナイフの一致性を証明すること。
• シミュレートされたおよび実際のネットワークデータにおける、ネットワークジャックナイフの有限標本性能を、部分抽出法やブートストラップ法などの既存手法と比較すること。
• ジャックナイフが大規模なネットワーク推論タスクにおいて計算的に効率的で実用的であることを示すこと。

提案手法

• ノードを1つずつ除外するジャックナイフ手順を提案し、ネットワーク関数型の分散を、1ノード除外推定値からの二乗偏差の平均として推定する。
• Efron-Stein型の不等式を適用し、置換不変な関数型に対して、期待値におけるジャックナイフ分散推定値が真の分散の上界であることを示す。
• フィルトレーションの議論と一様可積分性を用いて、ジャックナイフ分散推定値の漸近正規性および収束性を確立する。
• 一般関数型 $ Z_n $ に対して保守的分散不等式（命題4）を導出し、置換不変性を仮定しないまま $ \mathrm{Var}(Z_n) \leq E(\widehat{\mathrm{Var}}_{\mathrm{JACK}} Z_n) $ を示す。
• 比較のベンチマークとして部分抽出法を用い、ブロックサイズ $ b = 0.05n, 0.1n, 0.2n $ を使用し、信頼区間と計算時間を比較する。
• スパースグラフオンモデル下でのシミュレートネットワークおよび実際のFacebook大学ネットワークを用いて手法を検証し、三角形密度、2スター密度、正規化トランジティビティを焦点とする。

実験結果

リサーチクエスチョン

• RQ1 スパースグラフオンモデル下で、置換不変なネットワーク関数型に対して、ネットワークジャックナイフは期待値において保守的な分散推定を生じるか？
• RQ2 部分グラフカウントなどの一般クラスのカウント関数型に対して、ネットワークジャックナイフ分散推定値は一貫性を示すか？
• RQ3 有限標本性能に関して、ネットワークジャックナイフは部分抽出法やブートストラップ法と比較して、カバレッジと精度の面で優れているか？
• RQ4 潜在空間の推定や大規模なリサンプリングのオーバーヘッドを必要とせず、大規模ネットワーク設定でも効率的に実装可能か？
• RQ5 分散推定の精度と計算時間の面で、ジャックナイフはいつ部分抽出法を上回るか？

主な発見

• ネットワークジャックナイフは、期待値において保守的な分散推定を生じ、$ \mathrm{Var}(Z_n) \leq E(\widehat{\mathrm{Var}}_{\mathrm{JACK}} Z_n) $ を満たす。これは、ロバストで安全志向の推定器としての使用を正当化する。
• 一般クラスのカウント関数型に対して、スパースグラフオンモデル下でジャックナイフ分散推定値は一貫性を示す。一様可積分性とスラツキーの定理を用いて収束性が確立された。
• 6つの大学のFacebookネットワークを用いたシミュレーションおよび実データにおいて、三角形密度、2スター密度、正規化トランジティビティのジャックナイフに基づく信頼区間は、異なるブロックサイズの部分抽出法と密接に一致した。
• 計算面では、特に大規模ネットワークにおいて、ブロックサイズ $ b = 0.2n $ の部分抽出法よりもジャックナイフが速く、部分グラフカウントのネスト構造のおかげで効率的な計算が可能だった。
• 非パラメトリックブートストラップや潜在位置ブートストラップと比較して、ジャックナイフは計算効率に優れており、基礎となるグラフオンの正確な推定を必要としていなかった。
• 置換不変性を必要としない代替ジャックナイフ推定子 $ \widehat{\mathrm{Var}}_{\mathrm{JACK}} Z_n = \sum_{i=1}^n (Z_n - \widetilde{Z}_{n,i})^2 $ でさえ、保守的不等式を満たすが、やや精度が低い可能性がある。