[논문 리뷰] Bayesian Learning of Dynamic Multilayer Networks

Daniele Durante, Nabanita Mukherjee외 1명|arXiv (Cornell University)|2016. 08. 07.

Bayesian Methods and Mixture Models참고 문헌 33인용 수 8

한 줄 요약

이 논문은 공유 및 계층별 잠재 위치를 사용하여 간선 확률을 공동으로 모델링하고, 가우시안 프로세스를 통해 시간에 따른 변화를 모델링하는 베이지안 비모수적 모델을 제안한다. 이 방법은 민감하고 계산이 용이한 추론을 가능하게 하며, 시뮬레이션 및 실제 얼굴 마주침 접촉 데이터에서 기존 방법들보다 간선 예측 및 네트워크 재구성에서 뛰어난 성능을 보인다.

ABSTRACT

A plethora of networks is being collected in a growing number of fields, including disease transmission, international relations, social interactions, and others. As data streams continue to grow, the complexity associated with these highly multidimensional connectivity data presents novel challenges. In this paper, we focus on the time-varying interconnections among a set of actors in multiple contexts, called layers. Current literature lacks flexible statistical models for dynamic multilayer networks, which can enhance quality in inference and prediction by efficiently borrowing information within each network, across time, and between layers. Motivated by this gap, we develop a Bayesian nonparametric model leveraging latent space representations. Our formulation characterizes the edge probabilities as a function of shared and layer-specific actors positions in a latent space, with these positions changing in time via Gaussian processes. This representation facilitates dimensionality reduction and incorporates different sources of information in the observed data. In addition, we obtain tractable procedures for posterior computation, inference, and prediction. We provide theoretical results on the flexibility of our model. Our methods are tested on simulations and infection studies monitoring dynamic face-to-face contacts among individuals in multiple days, where we perform better than current methods in inference and prediction.

연구 동기 및 목표

• 계층 간, 시간 간, 네트워크 내에서 정보를 공유할 수 있는 유연한 통계 모델이 동적 다층 네트워크에 부족한 문제를 해결하기 위해.
• 공유 및 계층별 잠재 위치를 사용하여 간선 확률을 공동으로 모델링하는 계산이 용이한 베이지안 프레임워크를 개발하기 위해.
• 잠재 공간 내에서 액터 위치에 대한 가우시안 프로세스 사전분포를 도입하여 시간에 따른 역학을 통합하기 위해.
• 복잡한 다차원 네트워크 데이터에 대해 효율적인 사후 계산 및 샘플링 외 예측을 가능하게 하기 위해.
• 기존 방법들과 비교하여 동적 및 다층 네트워크 환경에서 추론 및 예측 정확도를 향상시키기 위해.

제안 방법

• 모델은 액터 간의 쌍별 유사도를 기반으로 공유 및 계층별 잠재 공간 내에서 간선 확률을 표현한다.
• 공유 잠재 좌표는 전역 평균과 계층적 수축 사전분포를 통해 모델링되어 희박성과 정보 공유를 장려한다.
• 계층별 좌표는 각 계층마다 독립적으로 모델링되며, 고유한 구조적 패턴을 포착하기 위해 개별 가우시안 프로세스 사전분포를 사용한다.
• 액터 위치의 시간적 변화는 가우시안 프로세스를 통해 모델링되어 시간에 따라 부드럽고 민감한 역학을 가능하게 한다.
• 포리아-감마 데이터 보정 기법을 통해 게이블스 샘플링을 통한 계산이 용이한 사후 분포 계산이 가능해진다.
• 사후 추론은 공유 좌표, 계층별 좌표, 하이퍼파ram터를 번갈아가며 갱신하는 블록-게이블스 샘플러를 통해 수행된다.

실험 결과

연구 질문

• RQ1 통합된 통계 모델은 어떻게 동적 다층 네트워크에서 계층 간, 시간 간, 네트워크 내에서 정보를 효과적으로 공유할 수 있는가?
• RQ2 잠재 공간 표현을 갖는 베이지안 비모수적 접근법은 동적 다층 네트워크에서 간선 예측 정확도를 향상시킬 수 있는가?
• RQ3 시간에 따른 역학을 위해 가우시안 프로세스를 통합할 경우 네트워크의 진화하는 구조를 어떻게 더 잘 모델링할 수 있는가?
• RQ4 공유 및 계층별 잠재 구조는 독립적으로 계층을 다루는 모델에 비해 추론 성능을 얼마나 향상시키는가?
• RQ5 제안된 방법은 시뮬레이션과 실제 응용 모두에서 기존 최첨단 방법들을 능가할 수 있는가?

주요 결과

• 제안된 모델은 시뮬레이션 및 실제 동적 다층 네트워크에서 기존 방법들보다 간선 예측 정확도에서 뚜렷한 우월성을 보였다.
• 얼굴 마주침 접촉을 포함한 실제 감염 연구 데이터에서, 네트워크 구조 재구성 및 향후 간선 예측에서 뛰어난 성능을 달성했다.
• 공유 및 계층별 잠재 좌표의 사용은 효과적인 정보 공유를 가능하게 하였고, 同시에 계층별 네트워크 구조를 모델링하는 데서의 유연성을 유지했다.
• 시간에 따른 역학에 대한 가우시안 프로세스 사전분포는 네트워크 진화를 부드럽고 비모수적으로 모델링할 수 있게 하였다.
• 포리아-감마 데이터 보정과 블록-게이블스 샘플링 기법을 통해 사후 계산이 계산 가능해졌고, 효율적인 추론이 가능해졌다.
• 이론적 결과는 모델의 유연성과 고차원 네트워크 데이터에 대한 적응 능력을 확인시켰다.