[논문 리뷰] Analysis of Partially Observed Networks via Exponential-family Random Network Models

Ian E. Fellows, Mark S. Handcock|arXiv (Cornell University)|2013. 03. 05.

HIV, Drug Use, Sexual Risk참고 문헌 17인용 수 6

한 줄 요약

이 논문은 일부 관측된 네트워크에서 쌍방향 관계(dyads)와 노드 특성 모두가 누락된 경우에 대한 추론을 위한 지수족 임의 네트워크 모델(ERNM)을 개발한다. 누락된 데이터, 비무시적 표본 추출(예: 접촉 추적), 잠재 클래스 모델을 다룰 수 있는 최대우도 기반 프레임워크를 MCMC와 중요도 샘플링을 사용하여 제안하며, 공중보건 감시 및 설문 응답 누락과 같은 설정에서 통계적으로 타당한 추론을 가능하게 한다.

ABSTRACT

Exponential-family random network (ERN) models specify a joint representation of both the dyads of a network and nodal characteristics. This class of models allow the nodal characteristics to be modelled as stochastic processes, expanding the range and realism of exponential-family approaches to network modelling. In this paper we develop a theory of inference for ERN models when only part of the network is observed, as well as specific methodology for missing data, including non-ignorable mechanisms for network-based sampling designs and for latent class models. In particular, we consider data collected via contact tracing, of considerable importance to infectious disease epidemiology and public health.

연구 동기 및 목표

• 기존의 지수족 임의 그래프 모델(ERGM)이 완전히 관측된 노드 특성을 필요로 하는 한계를 해결하기 위해, 쌍방향 관계와 노드 특성 둘 다를 확률적으로 모델링할 수 있도록 하는 것.
• 누락된 데이터, 네트워크 표본 추출 설계, 또는 잠재 변수로 인해 네트워크 데이터가 부분적으로 관측될 경우에 대한 통계적으로 엄밀한 추론 프레임워크를 개발하는 것.
• 특히 전염병 epidemiology에서의 접촉 추적과 같은 공중보건 적용 분야에서 중요한 비무시적 누락 메커니즘 하에서의 추론을 가능하게 하는 것.
• MCMC와 중요도 샘플링을 사용한 최대우도 기반 추정을 통해 누락된 데이터를 처리하고, 복잡한 표본 추출 메커니즘을 고려하는 ERNM의 확장을 위한 것.
• 잠재 클래스나 잠재 구조(예: 확률 블록 모델)가 존재하는 부분적으로 관측된 네트워크를 통합적으로 모델링하는 접근법을 제공하는 것.

제안 방법

• 쌍방향 관계와 노드 공변수를 랜덤 변수로 함께 모델링하기 위해 지수족 임의 네트워크 모델(ERNM)을 사용하여, 확률적 노드 특성을 허용한다.
• 관측된 데이터와 모수에 조건부로 누락된 쌍방향 관계와 노드 데이터의 전체 조건부 분포를 사용하여, 누락된 요소를 통합함으로써 부분적으로 관측된 네트워크의 가능도 함수를 유도한다.
• 관측된 데이터와 모델 모수에 조건부로 누락된 네트워크 구성 요소의 사후분포를 근사하기 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용한다.
• 특히 접촉 추적과 같은 비무시적 표본 추출 메커니즘에 대해 관측된 데이터 가능도 하에서 기대값을 추정하기 위해 중요도 샘플링을 적용한다.
• 두 단계의 MCMC 알고리즘을 사용: 먼저 관측된 데이터와 현재 모수 추정치에 조건부로 누락된 네트워크 구성 요소를 샘플링하고, 그 다음 가능도 최대화를 통해 모수를 업데이트한다.
• 선택 편향을 보정하기 위해 표본 추출 확률 $P(W=w|T=t,\theta)$를 추정에 통합하며, 무게를 고려한 중요도 샘플링을 사용하여 비무시적 누락에 대응한다.

실험 결과

연구 질문

• RQ1 쌍방향 관계와 노드 특성 둘 다가 확률적으로 관측되지 않은 부분적으로 관측된 네트워크를 다룰 수 있도록 지수족 임의 네트워크 모델을 어떻게 확장할 수 있는가?
• RQ2 접촉 추적이나 설문 응답 누락과 같은 비무시적 누락이 있는 네트워크 데이터에 대해 적절한 최대우도 기반 추론 프레임워크는 무엇인가?
• RQ3 노드 클래스가 관측되지 않지만 네트워크 구조에 영향을 주는 경우, 부분적으로 관측된 네트워크 데이터로부터 잠재 클래스 모델을 어떻게 추정할 수 있는가?
• RQ4 데이터가 무작위로 누락되지 않은 경우(MNAR), 네트워크 통계와 모수를 추정하는 데 효과적인 계산 방법은 무엇인가?
• RQ5 MCMC와 중요도 샘플링을 조합하여 복잡한 누락 데이터 메커니즘 하에서 안정적이고 효율적인 추론을 수행할 수 있는가?

주요 결과

• 제안된 프레임워크는 쌍방향 관계와 노드 특성을 모두 랜덤 변수로 모델링함으로써 기존 ERGM의 한계를 극복하고 부분적으로 관측된 네트워크에 대한 통계적으로 타당한 추론을 가능하게 한다.
• 이 방법은 접촉 추적과 같은 비무시적 누락 메커니즘을 지원하며, 이러한 데이터로부터 추론하는 데 있어 통계적으로 정당화된 첫 번째 접근법을 제공한다.
• 비무시적 표본 추출에서 선택 편향을 보정하기 위해 중요도 샘플링을 사용하여, 누락이 네트워크 구조에 의존할 경우 추정 정확도를 향상시킨다.
• 두 단계의 MCMC 알고리즘을 통해 모수와 누락된 네트워크 구성 요소를 함께 추정할 수 있으며, 반복적 업데이트를 통해 수렴이 보장된다.
• 실제 데이터에서, 예를 들어 Add Health 연구에서와 같이 관계 데이터로부터 관측되지 않은 노드 그룹화를 추론함으로써 잠재 클래스 구조를 성공적으로 추정한다.
• 최적화를 위해 관측된 로그 가능도의 도함수를 유도하여, 복잡한 누락 메커니즘 하에서도 최대우도 추정이 가능하게 한다.