[논문 리뷰] A Bayesian approach to out-of-sample network reconstruction

Mattia Marzi, Squartini, Tiziano|arXiv (Cornell University)|2026. 02. 25.

Complex Systems and Time Series Analysis인용 수 0

한 줄 요약

논문은 과거 스냅샷을 사전 정보로 활용하여 진화하는 네트워크를 재구성하고 예측하는 베이지안 프레임워크를 개발하여, 양자화된 불확실성으로의 샘플 외(out-of-sample) 추론을 가능하게 하며, eMID 대출시장으로 시演시연합니다.

ABSTRACT

Networks underpin systems that range from finance to biology, yet their structure is often only partially observed. Current reconstruction methods typically fit the parameters of a model anew to each snapshot, thus offering no guidance to predict future configurations. Here, we develop a Bayesian approach that uses the information about past network snapshots to inform a prior and predict the subsequent ones, while quantifying uncertainty. Instantiated with a single-parameter fitness model, our method infers link probabilities from node strengths and carries information forward in time. When applied to the Electronic Market for Interbank Deposit across the years 1999-2012, our method accurately recovers the number of connections per bank at subsequent times, outperforming probabilistic benchmarks designed for analogous, link prediction tasks. Notably, each predicted snapshot serves as a reliable prior for the next one, thus enabling self-sustained, out-of-sample reconstruction of evolving networks with a minimal amount of additional data.

연구 동기 및 목표

• 부분적으로 관찰된 네트워크의 재구성 필요성과 샘플 외 예측의 필요성을 동기화한다.
• 정보를 시간에 따라 전파하기 위한 Undirected Binary Configuration Model의 베이지안 확장 제안.
• 과거 데이터로부터 미래 링크 확률을 추론하기 위한 단일 매개변수 베이지안 모델(BERM 및 BFM)을 도입한다.
• eMID 대출시장에 대해 접근법을 시연하여 향후 토폴로지를 예측하고 불확실성을 평가한다.

제안 방법

• Undirected Binary Configuration Model을 P(x|A)와 후사확률적 예측 분포 P(A_{t+1}|A_t)로 변환하여 베이지안 프레임워크를 구성한다.
• z에 대한 주변화 하에서 엣지-조건부 확률 q_{ij}^{t+1}의 해석적 표현을 도출하여 순전파 추론(Eq. 9)을 가능하게 한다.
• Beta priors를 사용하여 베이지안 Erdős–Rényi Model(BERM)을 구체화하고 L_{t+1}에 대한 Beta-Binomial 예측을 얻는다.
• 노드 강도들을 피트니스로 사용하고 경험적 역사에서 파생된 z에 대한 사전분포를 갖는 밀도 보정 중력 모델에 기반한 베이지안 피트니스 모델(BFM)을 구체화한다.

실험 결과

연구 질문

• RQ1 과거 네트워크 스냅샷이 미래 네트워크 구성 예측에 대한 사전 정보로 어떻게 작용할 수 있는가?
• RQ2 베이지안 형식이 불확실성 정량화를 포함한 신뢰할 수한 샘플 외 네트워크 재구성을 가능하게 하는가?
• RQ3 단일 매개변수의 이질적 모델(BERM 및 BFM)이 미래 링크 예측 및 차수 순서를 보존하는 데에서 샘플 내 방법보다 우수한가?
• RQ4 모형이 오직 자신의 과거 예측만을 사전으로 사용할 때 자기 지속적 추론은 어떤 성능을 보이는가?
• RQ5 실제 금융 네트워크 데이터에서 Bayesian 접근법의 예측 성능은 샘플 내 dcGM과 비교해 어떠한가?

주요 결과

• Both BERM and BFM recover the total number of links over time; the BFM better captures degree heterogeneity.
• BFM provides non-trivial link ranking enabling ROC/AUROC and Jaccard index based evaluation, unlike BERM which treats pairs uniformly.
• BFM achieves higher accuracy and better degree sequence recovery than BERM, with ACC around 0.80 on average but higher ranking metrics for BFM.
• Self-sustained inference, where priors evolve from predicted ensembles rather than observed networks, yields predictions close to those using true adjacency matrices.
• Compared to in-sample dcGM, the Bayesian predictor matches performance on average and outperforms it on a substantial share of snapshots, especially for edge-level metrics.