[論文レビュー] Predicting interactions between individuals with structural and dynamical information

Thibaud Arnoux, Lionel Tabourier+1 more|arXiv (Cornell University)|Mar 27, 2018

Time Series Analysis and Forecasting参考文献 22被引用数 2

ひとこと要約

本稿では、リンクストリームデータを用いて動的ネットワーク内の将来の相互作用を予測するための教師あり学習フレームワークを提案する。構造的および時間的指標を組み合わせることで、予測精度を向上させる。相互作用行動に基づくノードペアクラスの導入により、再発生する相互作用において特に予測の多様性と性能が向上し、過去の活動の外挿法などのベースライン手法を上回る。

ABSTRACT

Capturing both structural and temporal features of interactions is crucial in many real-world situations like studies of contact between individuals. Using the link stream formalism to model data, we address here the activity prediction problem: we predict the number of links that will occur during a given time period between each pair of nodes. To do this, we take benefit from the temporal and structural information captured by link streams. We design and implement a modular supervised learning method to make prediction, and we study the key elements influencing its performances. We then introduce classes of node pairs, which improves prediction quality and increases diversity.

研究の動機と目的

• 動的ネットワークにおける将来の相互作用活動を予測する課題に取り組み、静的グラフに基づくリンク予測を越えること。
• 時間窓によるアプローチで時間分解能を失うのを避けるために、リンクストリームに含まれる完全な時間的および構造的情報を活用すること。
• ノードペアの異なる行動的クラスを特定・モデル化することで、予測の多様性を向上させること。
• 構造的および動的特徴を新たに追加可能な、モジュラで汎用性のあるフレームワークを構築すること。

提案手法

• 相互作用データをリンクストリームとしてモデル化——時刻 t におけるノード u と v 間の相互作用を示す三つ組 (t, u, v) の系列。
• リンクストリームから構造的指標（例：共通の隣接ノード、ジャコーディ係数）および時間的指標（例：相互作用頻度、バースト性）を抽出する。
• 勾配降下法を用いた教師あり学習により、これらの指標の重み付き組み合わせを最適化し、活動予測を実現する。
• 相互作用パターンに基づき、ノードペアクラス（C0–C3）を導入し、異なる行動タイプに適合した予測を可能にする。
• 各クラスごとに学習された係数（αm）を用いた線形モデルを訓練し、指標の寄与度をバランスさせることで、性能と多様性を向上させる。
• 4つの実世界データセット（Infocom、Highschool、Reality Mining、Taxi）を用いて、F1スコアおよび精度-再現率指標で予測を評価する。

実験結果

リサーチクエスチョン

• RQ1 構造的および時間的指標を効果的に統合することで、動的ネットワークにおける将来の相互作用活動を予測する方法は何か？
• RQ2 相互作用行動に基づくノードペアの分類が、予測精度および多様性をどの程度向上させるか？
• RQ3 異なる行動的クラスのノードペアにおいて、さまざまな指標の組み合わせはどの程度の性能を示すか？
• RQ4 提案されたフレームワークは、過去の活動の外挿法などのベースライン手法を上回るか？
• RQ5 クラスの導入により、高頻度または再発生するリンクに偏った予測バイアスはどのように軽減されるか？

主な発見

• 提案手法は、過去の活動の外挿法などのベースライン手法に比べ、構造的および時間的指標を組み合わせた場合に顕著に予測性能が向上する。
• 学習アルゴリズムは、C1（高頻度活動ペア）に対して構造的およびハイブリッド指標に高い重みを割り当てており、従来のリンク予測戦略と整合する。
• C2（中程度の行動）では、構造的および時間的指標のバランスが取られ、混合した相互作用パターンを反映している。
• C3（低活動、バースト性のある相互作用）では時間的指標に依存するが、依然としてハイブリッド指標の組み合わせが利益をもたらす。
• クラスの導入により予測バイアスが軽減され、ネットワーク全体におけるさまざまな相互作用タイプのカバー範囲が拡大され、多様性が向上する。
• モデルの性能はデータセットにかかわらず安定しており、InfocomおよびReality Miningにおいて特にF1スコアおよび精度が一貫して向上する。