[論文レビュー] Reciprocity, community detection, and link prediction in dynamic networks

Hadiseh Safdari, Martina Contisciani+1 more|arXiv (Cornell University)|Dec 17, 2021

Complex Network Analysis Techniques参考文献 13被引用数 6

ひとこと要約

本稿では、時間発展するネットワークにおける相互性とコミュニティ構造を同時に捉える動的生成モデルであるDynCRepを提案する。マルコフ連鎖遷移過程と期待値最大化（EM）アルゴリズムを統合することで、コミュニティ中心のモデルと比較して、引用ネットワークや電子メールネットワークにおけるリンク予測性能が向上し、現実世界の相互性をよりよく反映する。

ABSTRACT

Many complex systems change their structure over time, in these cases dynamic networks can provide a richer representation of such phenomena. As a consequence, many inference methods have been generalized to the dynamic case with the aim to model dynamic interactions. Particular interest has been devoted to extend the stochastic block model and its variant, to capture community structure as the network changes in time. While these models assume that edge formation depends only on the community memberships, recent work for static networks show the importance to include additional parameters capturing structural properties, as reciprocity for instance. Remarkably, these models are capable of generating more realistic network representations than those that only consider community membership. To this aim, we present a probabilistic generative model with hidden variables that integrates reciprocity and communities as structural information of networks that evolve in time. The model assumes a fundamental order in observing reciprocal data, that is an edge is observed, conditional on its reciprocated edge in the past. We deploy a Markovian approach to construct the network's transition matrix between time steps and parameters' inference is performed with an Expectation-Maximization algorithm that leads to high computational efficiency because it exploits the sparsity of the dataset. We test the performance of the model on synthetic dynamical networks, as well as on real networks of citations and email datasets. We show that our model captures the reciprocity of real networks better than standard models with only community structure, while performing well at link prediction tasks.

研究の動機と目的

• 指向ネットワークにおける相互性を無視する既存の動的ステochasticブロックモデルの限界を解消すること。
• 時間発展するネットワークにおけるコミュニティ構造と相互エッジ形成の両方を捉える生成モデルを開発すること。
• コミュニティメンバーシップを超えた構造的性質を組み込むことで、リンク予測の精度を向上させること。
• マルコフ連鎖遷移行列とEMアルゴリズムを用いて、スパースな動的ネットワークにおける効率的な推論を可能とすること。

提案手法

• エッジ遷移の連続時間マルコフ過程を導入することで、CRep生成モデルを動的ネットワークに拡張する。
• エッジ形成が、逆方向エッジの過去の存在に条件付きで依存することを仮定し、相互観測の時間的順序を強制する。
• コミュニティメンバーシップと相互性に基づいて、エッジの出現・消滅確率をモデル化する遷移行列を構築する。
• ネットワークのスパarsityを活用することで計算効率を確保するEMアルゴリズムを用いてパラメータを推定する。
• 潜在変数としてコミュニティメンバーシップと相互性を用い、現実的な動的ネットワーク構造を同時に生成する。
• 反復的最適化により、大規模でスパースな動的ネットワーク上でもスケーラブルな学習が可能な推論フレームワークを提供する。

実験結果

リサーチクエスチョン

• RQ1 コミュニティ構造と相互性の両方を組み込んだ動的ネットワークモデルは、コミュニティメンバーシップに依存するモデルを上回る性能を示せるか？
• RQ2 相互性の組み込みが、現実世界の動的ネットワークにおけるリンク予測性能にどのように寄与するか？
• RQ3 モデルは、引用ネットワークや電子メールネットワークにおける相互的相互作用の時間的ダイナミクスをどの程度正しく捉えられるか？
• RQ4 マルコフ連鎖遷移過程は、計算効率を維持したまま、動的ネットワークにおけるエッジ進化を効果的にモデル化できるか？

主な発見

• DynCRepモデルは、引用ネットワークや電子メールデータセットといった現実世界のネットワークにおける相互性を、コミュニティ中心のモデルと比較して顕著に優れた精度で捉えている。
• 特に強い相互的パターンを示すネットワークにおいて、標準的な動的ステオキアスティックブロックモデルと比較して、リンク予測性能が顕著に向上している。
• 合成ネットワークおよび実際のネットワークを用いた実証的評価から、相互性の組み込みがより現実的なネットワーク表現をもたらすことが確認された。
• EMに基づく推論アルゴリズムは、ネットワークのスパarsityを効果的に活用することで、高い計算効率を示した。
• モデルはエッジ形成の時間的進化を成功裏にモデル化しており、過去の相互エッジに条件づけられた遷移確率を用いている。
• 相互性とコミュニティ構造の統合により、時間経過に伴うコミュニティ検出の安定性と精度が向上した。