[論文レビュー] Using Social Dynamics to Make Individual Predictions: Variational Inference with a Stochastic Kinetic Model

Zhen Xu, Wen Dong+1 more|arXiv (Cornell University)|Nov 7, 2016

Opinion Dynamics and Social Influence参考文献 13被引用数 8

ひとこと要約

本論文は、センサーネットワークデータからの動的相互作用をモデル化することで、大規模な社会的システムにおける個別レベルの感染症伝播を予測するための変分推論アルゴリズム、VISKMを提案する。この手法は、集団サイズに対して線形の計算複雑性を示し、スケーラブルで高精度な推論を実現しており、疫学的ダイナミクスデータにおいて、サンプリングベースの手法よりも速度とAUC-ROC性能で優れている。

ABSTRACT

Social dynamics is concerned primarily with interactions among individuals and the resulting group behaviors, modeling the temporal evolution of social systems via the interactions of individuals within these systems. In particular, the availability of large-scale data from social networks and sensor networks offers an unprecedented opportunity to predict state-changing events at the individual level. Examples of such events include disease transmission, opinion transition in elections, and rumor propagation. Unlike previous research focusing on the collective effects of social systems, this study makes efficient inferences at the individual level. In order to cope with dynamic interactions among a large number of individuals, we introduce the stochastic kinetic model to capture adaptive transition probabilities and propose an efficient variational inference algorithm the complexity of which grows linearly --- rather than exponentially --- with the number of individuals. To validate this method, we have performed epidemic-dynamics experiments on wireless sensor network data collected from more than ten thousand people over three years. The proposed algorithm was used to track disease transmission and predict the probability of infection for each individual. Our results demonstrate that this method is more efficient than sampling while nonetheless achieving high accuracy.

研究の動機と目的

• 大規模な時系列相互作用データを用いて、感染症伝播などの社会的ダイナミクスにおける状態変化イベントの効率的で個別レベルの予測を可能にすること。
• 多数の相互作用を持つ個体が関与するシステムにおける正確な推論の計算的非実行可能性を解決すること。
• 従来のサンプリング手法が超線形にスケーリングするのとは異なり、集団サイズに比例して線形に増加するスケーラブルな推論手法を開発すること。
• 10,000人を超える個体のワイヤレスセンサーネットワークから収集された実世界の疫学的ダイナミクスデータを用いて、手法の妥当性を検証すること。
• 提案手法がギブスサンプリングおよびパーティクルフィルタリングよりも高い正確性と効率性を達成することを示すこと。

提案手法

• 本論文は、個体間の動的相互作用に基づいて、状態（例：感受性、感染）間の適応的遷移確率を表現するための確率的力学モデル（SKM）を導入する。
• 相互作用が状態遷移を引き起こす離散的イベント・連続時間モデルを定式化し、化学反応に類似したメカニズムを採用する。
• 期待値伝搬原理に基づく変分推論アルゴリズムを開発し、隠れ状態の事後分布を近似する。
• 同時に複数の個体が状態を変更する状況に対応できるように、標準的な変分平均場法の制限を克服するように調整された平均場近似を用いる。
• 推論の計算複雑性が個体数に対して線形に増加することを証明し、大規模システムへのスケーラビリティを実現する。
• 時間軸に沿った前向きおよび後向きのパスを活用することで、予測、平滑化、拡張のタスクをサポートする。

実験結果

リサーチクエスチョン

• RQ1 確率的力学モデルは、大規模システムにおける動的相互作用を効果的に捉え、高精度な個別レベルの予測を可能にするか？
• RQ2 提案された変分推論アルゴリズムは、正確性と計算効率の観点で、サンプリングベースの手法と比べてどのように差をつけるか？
• RQ3 アルゴリズムは集団サイズに比例して線形にスケーリングするか？また、大規模な疫学的ダイナミクスにおいても高い正確性を維持できるか？
• RQ4 部分観測データから、個別感染確率および集団統計（例：感染済み総数）を高精度に推定できるか？
• RQ5 限られた情報のもとで、平滑化（後向き推論）および拡張（欠落状態推論）タスクにおいて、本手法はどの程度の性能を示すか？

主な発見

• VISKMは、Social EvolutionおよびDartmouthの両データセットにおいて、予測、平滑化、拡張タスクの全般で、ギブスサンプリングおよびパーティクルフィルタリングよりも高い受検者操作特性曲線下積分（AUC）を達成した。
• アルゴリズムは優れたスケーラビリティを示し、計算時間は個体数に比例して線形に増加したが、サンプリング手法は超線形に増加した。
• Social Evolutionデータセットでは、60人の場合にVISKMはわずか0.78秒で処理を完了したのに対し、10,000回の反復を要するギブスサンプリングは7,820秒を要した。
• 集団統計推定においても、VISKMはデータの20％しか利用しなくても、サンプリング手法よりも感染済み総数の推定をより正確に行った。
• 平滑化性能は、過去および未来の両方の観測値を活用しているため、予測性能をわずかに上回った。
• 限られた情報のもとで挑戦的な拡張タスクにおいても、VISKMは高い識別力（AUC-ROC値が高く維持された）を示した。