[논문 리뷰] Bootstrapping Networks with Latent Space Structure

Keith Levin, Elizaveta Levina|arXiv (Cornell University)|2019. 07. 25.

Graph Theory and Algorithms참고 문헌 51인용 수 25

한 줄 요약

이 논문은 잠재공간 모형, 특히 랜덤 도트 곱 그래프(RDPG) 하에서 네트워크 데이터에 대한 두 가지 부트스트랩 방법을 제안한다. 첫 번째 방법은 추정된 잠재 위치의 U-통계량을 부트스트랩하고 기존의 U-통계량 이론을 활용하여 하위그래프 수와 중심성 측정치에 대한 효율적인 추론을 가능하게 한다. 두 번째 방법은 잠재 위치를 재표본 추출하고 다시 간선을 재시뮬레이션하여 전체 부트스트랩 네트워크를 생성한다. 두 방법 모두 RDPG 가정 하에서 점차적으로 분포적으로 일致함을 입증하였으며, U-통계량 방법은 계산상의 이점을 제공한다.

ABSTRACT

A core problem in statistical network analysis is to develop network analogues of classical techniques. The problem of bootstrapping network data stands out as especially challenging, since typically one observes only a single network, rather than a sample. Here we propose two methods for obtaining bootstrap samples for networks drawn from latent space models. The first method generates bootstrap replicates of network statistics that can be represented as U-statistics in the latent positions, and avoids actually constructing new bootstrapped networks. The second method generates bootstrap replicates of whole networks, and thus can be used for bootstrapping any network function. Commonly studied network quantities that can be represented as U-statistics include many popular summaries, such as average degree and subgraph counts, but other equally popular summaries, such as the clustering coefficient, are not expressible as U-statistics and thus require the second bootstrap method. Under the assumption of a random dot product graph, a type of latent space network model, we show consistency of the proposed bootstrap methods. We give motivating examples throughout and demonstrate the effectiveness of our methods on synthetic data.

연구 동기 및 목표

• 단일 네트워크만 관측되는 경우 부트스트랩을 적용하는 데 어려움이 존재하는 네트워크 추론의 일반적인 제약를 해결하기 위해.
• 잠재 위치의 U-통계량으로 표현 가능한 네트워크 통계량에 대해 전체 네트워크 재시뮬레이션 없이도 계산적으로 효율적인 부트스트랩 방법을 개발하기 위해.
• RDPG 모형 하에서 전체 네트워크의 부트스트랩 복제본을 생성하는 방법을 제공하여 네트워크 추론 분야에서의 응용 범위를 넓히기 위해.
• 랜덤 도트 곱 그래프 모형 하에서 두 부트스트랩 방법의 이론적 일致성을 확립하기 위해.
• 잠재 공간 구조와 알려진 U-통계량 이론을 활용하여 기존의 하위그래프 수 부트스트랩 기법을 개선하기 위해.

제안 방법

• 첫 번째 방법은 스펙트럴 방법을 사용해 관측된 네트워크로부터 잠재 위치를 추정한 후, 이러한 추정치의 U-통계량에 표준 부트스트랩 기법을 적용한다.
• 두 번째 방법은 추정된 잠재 위치를 복원추출하고, RDPG 간선 확률 모형을 사용해 새로운 인접행렬을 생성한 후 전체 부트스트랩 네트워크를 생성한다.
• U-통계량 및 V-통계량 부트스트랩 이론의 결과(예: Arcones & Giné, 1992)를 활용하여 RDPG 모형 하에서 이론적 일치성을 확립한다.
• 부트스트랩 네트워크가 원래 네트워크와 점차적으로 분포적으로 동일함을 증명하기 위해 그래프 매칭 거리를 네트워크 유사도 측정 도구로 도입한다.
• 합성 데이터를 활용해 방법을 검증하였으며, 다양한 부트스트랩 접근법 간 하위그래프 수에 대한 신뢰구간의 커버리지 비율을 비교하였다.
• 커버리지 향상을 위해 보정 방법(BCa)을 탐색하였지만, 계산 비용이 여전히 문제로 남아 있다.

실험 결과

연구 질문

• RQ1 잠재 위치의 U-통계량으로 표현 가능한 네트워크 통계량에 대해 계산적으로 효율적인 부트스트랩 방법을 개발할 수 있는가?
• RQ2 RDPG 모형 하에서 원래 네트워크와 점차적으로 분포적으로 동일한 전체 네트워크의 부트스트랩 복제본을 생성할 수 있는가?
• RQ3 제안된 부트스트랩 방법은 기존의 경험적 그래프론 또는 하위그래프 샘플링과 비교해 커버리지 정확도에서 어떻게 다른가?
• RQ4 그래프 매칭 거리는 부트스트랩 네트워크의 점진적 동일성을 확립하는 데 어떤 역할을 하는가?
• RQ5 제안된 방법은 RDPG 모형을 초월해 다른 잠재공간 모형으로 확장할 수 있는가?

주요 결과

• U-통계량 부트스트랩 방법은 전체 네트워크 재시뮬레이션을 피하고 잠재 위치 재표본 추출 및 알려진 U-통계량 부트스트랩 이론을 활용함으로써 계산상의 효율성을 달성한다.
• 전체 네트워크 부트스트랩 방법은 그래프 매칭 거리로 측정했을 때 RDPG 모형 하에서 원래 네트워크와 점차적으로 분포적으로 동일한 네트워크를 생성한다.
• 실험 결과로 두 제안된 방법 모두 기존 방법보다 커버리지 비율을 향상시키며, 특히 모델 지식이 정확히 알려진 파라미터 기반 부트스트랩의 성능을 밀접하게 따라간다.
• RDPG 부트스트랩은 경험적 그래프론 및 하위그래프 샘플링 방법보다 커버리지 정확도에서 뛰어나며, 네트워크 크기가 커질수록 그 성능이 두드러진다.
• BCa 보정은 커버리지를 향상시키지만 대규모 네트워크에선 계산 비용이 지나치게 높아져, 네트워크 구조를 고려한 보정 방법이 필요함을 시사한다.
• 이론적 결과는 그래프 매칭 거리에서의 수렴이 모든 네트워크 통계량(예: 하위그래프 밀도)의 수렴을 보장하지 못함을 시사하며, 더 강력한 유사도 측정 지표가 필요함을 나타낸다.