[論文レビュー] STATISTICS OF DYNAMIC RANDOM NETWORKS: A DEPTH FUNCTION APPROACH.

Daniel Fraiman, Nicolás Fraiman+1 more|arXiv (Cornell University)|Jan 1, 2015

Complex Network Analysis Techniques参考文献 50被引用数 8

ひとこと要約

本稿では、ラベル付きノードを備えた動的ランダムネットワークを分析する非パrametric統計枠組みを導入し、深さ関数を用いてグラフの中心と主成分集合を定義する。この枠組みにより、時間的経過に伴うネットワークの変化の検定、分類、可視化が可能となり、脳ネットワークや類似応用分野における妥当性を裏付ける漸近的結果が得られる。

ABSTRACT

Abstract. The study of random graphs and networks had an explosive devel-opment in the last couple of decades. Meanwhile, there are just a few references about statistical analysis on graphs. In this paper we focus on graphs with a fixed number of labeled nodes (such as those used to model brain networks) and study some statistical problems in a nonparametric framework. We intro-duce natural notions of center and a depth function for graphs that evolve in time. This allows us to develop several statistical techniques including testing, supervised and unsupervised classification, and a notion of principal component sets in the space of graphs. Some examples and asymptotic results are given. 1.

研究の動機と目的

• 固定されたラベル付きノードを有する時間発展型ネットワーク、例えば脳ネットワークのようなものを分析するための統計的ツールの開発。
• 非パrametric枠組みにおいて、グラフ空間における中心と深さの概念を定義すること。
• グラフ空間における統計的推論（仮説検定、教師ありおよび教師なし分類、主成分分析など）を可能にする。
• 動的ネットワークの文脈において、提案手法の有効性を裏付ける漸近的理論の提供。

提案手法

• グラフの構造的性質に基づく深さ関数を提案し、標本内での中心性の順序付けを可能にする。
• 最大深さを持つグラフをグラフの中心として定義し、グラフ空間におけるロケーションの頑健な測度とする。
• 深さに基づく統計的検定を構築し、グラフ集団間の比較や時間的変化の検出に用いる。
• 最大分散方向における最高の深さを持つグラフの集合として、グラフ空間における主成分集合を定義する。
• ネットワーク分布に関するパラメトリックな仮定を避けるために、グラフデータに非パラメトリック手法を適用する。
• 漸近的理論を用いて、大標本における深さに基づく推定量の一貫性と収束性を裏付ける。

実験結果

リサーチクエスチョン

• RQ1 動的でラベル付きのグラフの標本に対して、意味的な中心の概念をどのように定義できるか？
• RQ2 非パラメトリックなグラフ空間において、グラフの中心性を順位づけるために使用できる深さ関数は何か？
• RQ3 グラフデータにおける統計的推論（検定や分類など）をどのように実行できるか？
• RQ4 グラフ空間における主成分集合の構造は何か？ そして、それらはどのように推定できるか？
• RQ5 標本サイズが増加する条件下で、深さに基づくグラフ統計量が示す漸近的性質は何か？

主な発見

• 提案された深さ関数は、標本内での中心グラフを的確に特定し、グラフ空間におけるロケーションの頑健な測度を提供する。
• 最大深さに基づくグラフ中心の推定は、やや弱い正則性条件のもとで一貫性を示し、推論への応用を支持する。
• 深さに基づく検定手順は、グラフ集団間の差異や時間的変化の検出において効果的である。
• 深さに基づく教師ありおよび教師なし分類手法は、シミュレーションにおいてグラフクラスの有意義な分離を達成する。
• グラフ空間における主成分集合は明確に定義されており、深さに基づく最適化を用いて推定可能であり、変動の主要モードを捉える。
• 漸近的結果により、深さに基づく推定量の一貫性が確認され、大規模ネットワーク解析に向けた枠組みの妥当性が裏付けられる。