[논문 리뷰] A Bayesian Dynamic Latent Space Model for Weighted Networks

Roberto Casarin, Matteo Iacopini외 1명|arXiv (Cornell University)|2026. 03. 25.

Mental Health Research Topics인용 수 0

한 줄 요약

베이지안 동적 잠재 공간 아이케모델을 카운트 값 가중 네트워크의 0 증가를 다루고, 시계열에 따른 노드 특징과 희소성을 가능하게 하며 시간에 따라 변하는 잠재 공간 차원과 궤적을 효율적으로 추정하기 위해 auxiliary mixed data augmentation과 부분적으로 collapsed Gibbs 샘플러를 활용합니다.

ABSTRACT

A new dynamic latent space eigenmodel (LSM) is proposed for weighted temporal networks. The model accommodates integer-valued weights, excess of zeros, time-varying node positions (features), and time-varying network sparsity. The latent positions evolve according to a vector autoregressive process that accounts for lagged and contemporaneous dependence across nodes and features, a characteristic neglected in the LSM literature. A Bayesian approach is used to address two of the primary sources of inference intractability in dynamic LSMs: latent feature estimation and the choice of latent space dimension. We employ an efficient auxiliary-mixture sampler that performs data augmentation and supports conditionally conjugate prior distributions. A point-process representation of the network weights and the finite-dimensional distribution of the latent processes are used to derive a multi-move sampler in which each feature trajectory is drawn in a single block, without recursions. This sampling strategy is new to the network literature and can significantly reduce computational time while improving chain mixing. To avoid trans-dimensional samplers, a Laplace approximation of the partial marginal likelihood is used to design a partially collapsed Gibbs sampler. Overall, our procedure is general, as it can be easily adapted to static and dynamic settings, as well as to other discrete or continuous weight distributions.

연구 동기 및 목표

• 카운트와 과다 제로를 가진 동적 가중 네트워크의 분석을 동기부여하고 다루기.
• 엣지 가중치가 잠재 특징 유사성에 의존하는 동적 제로 인플레이티드 잠재 공간 아이모델을 제안합니다.
• 잠재 특징, 차원 및 동적 구조를 함께 추정하는 확장 가능한 베이지안 추론 체계를 개발합니다.
• 믹싱 속도와 속도를 개선하기 위한 계산 혁신(auxiliary mixture 샘플러, AWOL 샘플링, Laplace 기반 차원 처리)을 도입합니다.
• 시계열 네트워크의 의존성 및 희소성을 포착하기 위한 유연한 모델 명세(노드-별 대 특징별)를 제공합니다.

제안 방법

• y_{ij,t}를 0-인플레이션 포아송으로 정의하고 강도 bb_{ij,t}는 잠재 특징에 의해 결정되며 log(bb_{ij,t}) = b5_i + b5_j + x_{i:,t}' Xi x_{j:,t}로 표현합니다.
• 잠재 특징 X_t를 행렬 자기회귀로 모델합니다: X_t = ϵeb1 X_{t-1} ' + H_t, 여기서 H_t는 행렬 정규분포를 따릅니다.
• 제로 인플레이션을 다루기 위해 보조 할당 w_{ij,t}와 제로-에치된 경향의 간접 변수 z_{ij,t}를 도입합니다.
• Poisson 우도 함수를 조건부로 Gaussian 형태로 전환하여 共 변이 업데이트를 가능하게 하는 개선된 보조 혼합 샘플러(IAMS)를 도입합니다.
• 잠재 차원 d와 잠재 궤적을 trans-dimensional 이동 없이 추정하기 위해 부분적으로 collapsed Gibbs 샘플러를 사용합니다.
• 잠재 다이나믹을 노드-별과 특징-별 두 가지 간결한 매개변수화로 제시하고 그 함의에 대해 논의합니다.

실험 결과

연구 질문

• RQ1 동적 잠재 공간 모델을 가중치가 있는 카운트 값 네트워크에 확장하여 과다 제로를 다루는 방법은 무엇인가?
• RQ2 동적 네트워크에서 잠재 노드 특징과 잠재 공간 차원을 모두 베이지안 프레임워크로 추정할 수 있는가?
• RQ3 contemporaneous 노드 의존성을 포착하는 특징-별 명세가 전통적인 노드-별 접근보다 추론을 개선하는가?
• RQ4 auxiliary 데이터 증가와 부분적으로 collapsed 샘플링이 카운트용 동적 LSM의 계산 및 혼합 속도를 개선하는가?
• RQ5 실제 시간적 네트워크(예: 투표, 무역, 뇌 연결성)에서 제로 인플레이션 포아송 다이내믹의 실용적 의미는 무엇인가?

주요 결과

• 제안된 동적 제로 인플레이션 잠재 공간 아이모델은 정수 가중치, 과다 제로, 시계열에 따른 노드 위치 변화 및 다양한 희소성 변화를 수용합니다.
• 보조 혼합 샘플러는 포아송 부분을 조건부로 Gaussian으로 만들어 conjugate 업데이트와 효율적 MCMC를 가능하게 합니다.
• 새로운 AWOL 기반 샘플러가 전체 잠재 궤적을 루프 없이 샘플링하여 혼합을 개선하고 계산을 줄입니다.
• Laplace 근사 기반의 부분적으로 collapsed Gibbs 샘플러가 trans-dimensional 이동 없이 잠재 차원 d를 추정합니다.
• 두 가지 매개변수화(노드-별 및 특징-별)와 서로 다른 사전분포(Inverse-Wishart vs. Graphical horseshoe)가 의존성과 고차원성을 유연하게 다룹니다.
• 샘플러는 잠재 공간 차원과 잠재 특징을 함께 추정하여 불확실성을 정량화하고 고정된 d나 정보 기준에 의존하지 않습니다.