[論文レビュー] Signal Processing on Graphs: Causal Modeling of Big Data

Jonathan Mei, José M. F. Moura|arXiv (Cornell University)|Feb 28, 2015

Complex Network Analysis Techniques参考文献 35被引用数 6

ひとこと要約

本稿では、多次元時系列データから因果関係をモデル化する、計算的に効率的なアルゴリズムを提案する。相関関係にとどまらず、因果関係を捉える。この手法により、シミュレートされたデータおよび実世界のデータセットにおいて、既知の物理的・構造的関係と整合性を保った、正確なネットワーク構造の再構築が可能となる。

ABSTRACT

Often, Big Data applications collect a large number of time series, for example, the financial data of companies quoted in a stock exchange, the health care data of all patients that visit the emergency room of a hospital, or the temperature sequences continuously measured by weather stations across the US. A first task in the analytics of these data is to derive a low dimensional representation, a graph or discrete manifold, that describes well the interrelations among the time series and their intrarelations across time. This paper presents a computationally tractable algorithm for estimating this graph structure from the available data. This graph is directed and weighted, possibly representing causal relations, not just reciprocal correlations as in many existing approaches in the literature. A detailed convergence analysis is carried out. The algorithm is demonstrated on random graph and real network time series datasets, and its performance is compared to that of related methods. The adjacency matrices estimated with the new method are close to the true graph in the simulated data and consistent with prior physical knowledge in the real dataset tested.

研究の動機と目的

• 大規模な多次元時系列データの低次元で解釈可能な表現を導出する課題に対処すること。
• 従来の手法で見られる対称的な相関関係にとどまらず、時系列間の因果関係をモデル化すること。
• 観測データから有向で重み付きのグラフを推定する、計算的に取り扱いやすいアルゴリズムを開発すること。
• 現実的な条件下で、グラフ推定手順の理論的収束を保証すること。
• 合成データおよび実世界のデータセットを用いた検証により、既知の物理的または構造的知識と整合性を示すこと。

提案手法

• 本手法は、正則化された最適化フレームワークを用いて、時系列データから有向で重み付きの隣接行列を推定する。
• グラフ学習問題を、スパarsityを促進し、方向性のある依存関係を捉える凸最適化問題として定式化する。
• ラグ付きの依存関係を用いて時系列上の点間の関係をモデル化することで、時間的ダイナミクスを組み込む。
• 収束解析を実施し、推定されたグラフ構造の理論的一貫性を確立する。
• 対称性の仮定を避け、データ駆動型の因果関係推定を実現する。
• 大規模なビッグデータ応用に適したスケーラブルで効率的な設計である。

実験結果

リサーチクエスチョン

• RQ1 多次元時系列データから、相関関係ではなく因果関係を捉える有向で重み付きのグラフ構造を学習できるか？
• RQ2 構造が既知の合成データにおいて、提案手法のアルゴリズムが真のグラフをどれほど正確に再構築できるか？
• RQ3 実世界の時系列データにおいて、推定されたグラフ構造は、既存の物理的またはドメイン固有の知識と整合性を保っているか？
• RQ4 現実的なデータ仮定のもとで、グラフ推定アルゴリズムの理論的収束特性は何か？
• RQ5 対称的または無向関係をモデル化する従来の手法と比較して、本手法の性能はいかがなものか？

主な発見

• 推定された隣接行列は、真のグラフ構造に近い結果を、構造が既知のランダムグラフデータセットで得た。
• 実世界の時系列データにおいて、既存の物理的またはドメイン知識と整合する構造的パターンの一致を示した。
• アルゴリズムは強力な計算的取り扱いやすさを示し、大規模データセットにおける効率的な推論を可能にした。
• 収束解析により、モデル仮定のもとで推定グラフの理論的一貫性が確認された。
• 関連手法との性能比較において、合成データおよび実データの両方で、より高い精度と構造的忠実度が示された。