[論文レビュー] REM beyond dyads: relational hyperevent models for multi-actor interaction networks

Jürgen Lerner, Mark Tranmer+2 more|arXiv (Cornell University)|Dec 16, 2019

Complex Network Analysis Techniques参考文献 20被引用数 4

ひとこと要約

本稿では、ハイパーエッジを用いた複数アーティスト間の相互作用に一般化された関係的イベントモデル（RHEM）を提案する。RHEMは、任意の数のアーティストに対して時間変動するイベントレートのモデル化を可能にし、計算の非効率性を克服するためケースコントロールサンプリングを適用することで、数十万ノードおよびハイパーエッジを有する大規模ネットワークにおけるパラメータ推定に成功。これにより、二項的相互作用を超える高次依存関係が明らかになった。

ABSTRACT

We introduce relational hyperevent models (RHEM) as a generalization of relational event models to events occurring on hyperedges involving any number of actors. RHEM can specify time-varying event rates for the full space of directed or undirected hyperedges and can be applied to model, among others, meetings, team assembly, team performance, or multi-actor communication. We illustrate the newly proposed model on two empirical hyperevent networks about meetings of government ministers and co-authoring of scientific papers.

研究の動機と目的

• 関係的イベントモデルにおける二項的関係を越えた、複数アーティスト相互作用イベントを一般化したフレームワークの開発。
• ハイパーグラフネットワークにおける完全尤度評価の計算非可能性に対処するため、サンプリング技術を適用。
• ハイパーエッジ統計を提案し、高次ネットワーク構造を捉え、イベントレートダイナミクスを形作る。
• ハイパーエッジサイズに条件付けているモデルと、それを制御しているモデルを区別することで、スパースネットワークにおけるモデル妥当性を向上。
• 共同執筆におけるチームパフォーマンスなどの、ハイパーエッジの成功や影響を分析するための関係的アウトカムモデル（ROM）を導入。

提案手法

• RHEMは関係的イベントモデル（REM）をハイパーエッジに一般化し、任意の数のアーティストを含むすべての可能な有向または無向ハイパーエッジにおけるイベントレートを指定可能にしている。
• モデルは、ネットワーク構造と履歴を反映するハイパーエッジ統計によってパrameter化された対数線形形式を用いる。
• 計算複雑性を管理するため、本稿ではケースコントロールサンプリングを適用し、観測されたハイパーエッジ（「ケース」）とリスクセットからの妥当でない非イベント（「コントロール」）を比較している。
• リスクセットは、イベントが発生しなかったが発生する可能性が存在する特定サイズのすべてのハイパーエッジとして定義され、サイズの条件付けがモデルの妥当性を向上させるために用いられている。
• リスクセットの極端な非一様性を避けるため、新規イベントと繰り返しイベントを別々にモデル化する手法が提案され、意味のある効果が隠されないようになっている。
• 関係的アウトカムモデル（ROM）が導入され、チームパフォーマンスなどの結果を説明するため、RHEMはイベント発生の範囲を超えてイベントの影響を分析可能に拡張されている。

実験結果

リサーチクエスチョン

• RQ1 ハイパーエッジを用いて、2人を超えるアーティストの相互作用を扱う関係的イベントモデルをどのように一般化できるか？
• RQ2 指数的尤度複雑性を有する大規模ハイパーグラフネットワークにおいて、RHEMパラメータを信頼性高く推定するための統計的手法は何か？
• RQ3 ケースコントロールサンプリングにおけるイベントと非イベントの意味のある比較を保証するため、妥当な代替ハイパーエッジをどのように定義できるか？
• RQ4 繰り返し、相互性、三重閉包といった高次ネットワーク依存関係を、複数アーティスト設定で効果的に捉えるハイパーエッジ統計は何か？
• RQ5 ハイパーエッジサイズに起因する効果と、構造的または行動的ネットワーク特性に起因する効果を、モデルがどのように区別できるか？

主な発見

• RHEMは、複数アーティスト相互作用ネットワークにおけるすべての可能なハイパーエッジで時間変動するイベントレートを効果的にモデル化し、二項的モデルでは表現できない依存関係を捉えている。
• ケースコントロールサンプリングにより、10万人を超える著者と数十万件のハイパーエッジを有する共同執筆ネットワークにおいて、指数的尤度計算の非効率性を克服し、信頼性の高いパラメータ推定が可能になった。
• 繰り返しイベント、特に最近のサブセットの再発生（サブリピティション）が顕著に高いイベントレートを持つことが判明し、強い時間的・構造的依存関係が示された。
• ハイパーエッジサイズに条件付けたモデルは、極端または非一様なリスクセットに起因する過剰適合のリスクを低減し、モデルの安定性と妥当性を向上させた。
• スパースネットワークでは、新規イベントと繰り返しイベントを別々にモデル化する必要があり、そうでないと他の意味のある構造的パターンが支配的効果に埋もれてしまう。
• 関係的アウトカムモデル（ROM）は、共同執筆ネットワークにおけるチームパフォーマンスを効果的に説明でき、RHEMがイベント発生の範囲を超えてイベントの影響を分析可能に拡張できることを示した。