[論文レビュー] Optimal Change Point Detection and Localization in Sparse Dynamic Networks

Daren Wang, Yi Yu+1 more|arXiv (Cornell University)|Sep 25, 2018

Mental Health Research Topics参考文献 49被引用数 35

ひとこと要約

本稿では、時間的に変化するエッジ確率を伴うスパースな動的ネットワークにおける変化点の検出および局所化のためのネットワーク二分法（Network Binary Segmentation）と局所的精緻化（Local Refinement）アルゴリズムを提案する。弱いスパarsityおよび最小間隔条件の下で、一貫性のある変化点検出のためのフェーズ遷移を確立し、局所的精緻化のミニマックス最適性を証明する。

ABSTRACT

We study the problem of change point localization in dynamic networks models. We assume that we observe a sequence of independent adjacency matrices of the same size, each corresponding to a realization of an unknown inhomogeneous Bernoulli model. The underlying distribution of the adjacency matrices are piecewise constant, and may change over a subset of the time points, called change points. We are concerned with recovering the unknown number and positions of the change points. In our model setting we allow for all the model parameters to change with the total number of time points, including the network size, the minimal spacing between consecutive change points, the magnitude of the smallest change and the degree of sparsity of the networks. We first identify a region of impossibility in the space of the model parameters such that no change point estimator is provably consistent if the data are generated according to parameters falling in that region. We propose a computationally-simple algorithm for network change point localization, called Network Binary Segmentation, that relies on weighted averages of the adjacency matrices. We show that Network Binary Segmentation is consistent over a range of the model parameters that nearly cover the complement of the impossibility region, thus demonstrating the existence of a phase transition for the problem at hand. Next, we devise a more sophisticated algorithm based on singular value thresholding, called Local Refinement, that delivers more accurate estimates of the change point locations. Under appropriate conditions, Local Refinement guarantees a minimax optimal rate for network change point localization while remaining computationally feasible.

研究の動機と目的

• 時間的に変化するエッジ確率を伴う動的ネットワークにおける変化点の検出および局所化の課題に対処すること。
• スパースな非定常ベルヌーイネットワークにおける一貫性のある変化点検出の根本的限界を特定すること。
• 弱いスパarsityおよび最小間隔制約の下で、計算的に効率的かつ統計的に最適なアルゴリズムを変化点局所化に開発すること。
• パrameter空間におけるフェーズ遷移を確立し、一貫性のある検出が不可能な領域と可能になる領域を分離すること。

提案手法

• 重み付き隣接行列平均を用いて変化点を検出する、計算が単純なアルゴリズム「ネットワーク二分法」を提案する。
• 特異値しきい値処理に基づくアルゴリズム「局所的精緻化」を導入し、初期推定値の精緻化によって局所化精度を向上させる。
• 非定常ベルヌーイモデルの構造を活用し、経験的ネットワーク平均の重み付き差に基づく検定統計量を用いて変化を検出する。
• スパarsity下での集中不等式およびスペクトルノルム制御を用いて、推定誤差の理論的境界を導出する。
• 変化点がサイズΔの区間内でカバーされるようにランダムサンプリングスキームを採用し、確率的一貫性を実現する。
• 推定誤差の下界を構築し、それと局所的精緻化の上界を一致させることで、ミニマックス最適性を確立する。

実験結果

リサーチクエスチョン

• RQ1 時間的に変化するエッジ確率を伴うスパースな動的ネットワークにおける一貫性のある変化点検出の根本的限界は何か？
• RQ2 計算的に効率的なアルゴリズムが、広範なモデルパラメータ範囲で一貫性のある変化点局所化を達成できるか？
• RQ3 パrameter空間に、検出が不可能または可能になる境界を示すフェーズ遷移が存在するか？
• RQ4 精緻化されたアルゴリズムは、計算的に実行可能でありながらミニマックス最適な局所化誤差を達成できるか？
• RQ5 スパarsity、変化点間の最小間隔、および信号強度は、変化の検出可能性にどのように影響するか？

主な発見

• 本稿では、信号強度または間隔が不十分なために、一貫性のある変化点推定器が存在できないパラメータ空間の領域（不可能領域）を同定する。
• ネットワーク二分法は、不可能領域の補集合にほぼ完全に一致するパラメータ範囲で一貫性のある変化点局所化を達成し、フェーズ遷移を示す。
• 適切な条件下で、局所的精緻化は変化点局所化のミニマックス最適レートを達成し、推定誤差の理論的下界と一致する。
• 特異値しきい値処理と候補変化点の反復的精緻化に依存することで、計算的実行可能性を維持する。
• 変化点位置の推定誤差が、$ Oigl(rac{1}{ ho^2 au^2}igr) $ のオーダーで有界であることを保証する。ここで $ ho $ はスパarsityパラメータ、$ au $ は変化点間の最小間隔を表す。
• 理論的分析により、ランダムサンプリングによる全変化点のカバー確率が、$ 1 - ext{exp}igligl( ext{log}(T/ au) - M au^2/(16T^2)igrigl) $ 以上で有界であることが確認され、高確率の一貫性が保証される。