[논문 리뷰] Change Point Estimation in a Dynamic Stochastic Block Model

Monika Bhattacharjee, Moulinath Banerjee외 1명|arXiv (Cornell University)|2018. 12. 07.

Statistical Methods and Inference참고 문헌 41인용 수 28

한 줄 요약

이 논문은 네트워크 커뮤니티 구조가 알려지지 않은 시점에 변화하는 동적 스토하스틱 블록 모델(DSBM)에서 단일 변화점 추정을 위한 두 가지 방법을 제안한다. 첫 번째 방법은 각 시점에서 전체 커뮤니티 구조 추정을 포함하는 최소제곱 기준을 사용하며, 두 번째 방법은 변화점 탐지와 커뮤니티 탐지의 분리된 접근을 취한다. 두 방법 모두 서로 다른 식별 가능성 조건 하에서 일致한 추정을 달성하며, 변화점 추정기의 이론적 수렴 속도와 점근 정규성을 확립하였다.

ABSTRACT

We consider the problem of estimating the location of a single change point in a dynamic stochastic block model. We propose two methods of estimating the change point, together with the model parameters. The first employs a least squares criterion function and takes into consideration the full structure of the stochastic block model and is evaluated at each point in time. Hence, as an intermediate step, it requires estimating the community structure based on a clustering algorithm at every time point. The second method comprises of the following two steps: in the first one, a least squares function is used and evaluated at each time point, but ignores the community structures and just considers a random graph generating mechanism exhibiting a change point. Once the change point is identified, in the second step, all network data before and after it are used together with a clustering algorithm to obtain the corresponding community structures and subsequently estimate the generating stochastic block model parameters. A comparison between these two methods is illustrated. Further, for both methods under their respective identifiability and certain additional regularity conditions, we establish rates of convergence and derive the asymptotic distributions of the change point estimators. The results are illustrated on synthetic data.

연구 동기 및 목표

• 동적 스토하스틱 블록 모델(DSBM)에서 커뮤니티 구조가 알려지지 않은 시간에 변화하는 네트워크 시퀀스에서 단일 변화점을 탐지하는 문제를 다루는 것.
• 계산적으로 효율적이고 통계적으로 일치하는 방법을 개발하여 변화점, 변화 전·후 커뮤니티 구조 및 SBM 파라미터를 추정하는 것.
• 네트워크 희박성 및 간선 확률 변화의 다양한 제약 조건 하에서 변화점 추정기의 이론적 보장—수렴 속도 및 점근 분포—을 확립하는 것.
• 특히 현실적인 네트워크 설정에서 클러스터링 알고리즘의 오분류가 추정 일치성에 미치는 영향을 조사하는 것.
• 두 가지 다른 추정 전략 간의 계산 비용과 통계적 식별 가능성 간의 상충 관계를 비교하는 것.

제안 방법

• 모든 시점에서 전체 스토하스틱 블록 모델 구조를 포함하는 최소제곱 기준 함수를 평가하는 전체 구조 방법을 제안하며, 매 시점에서 클러스터링을 통한 커뮤니티 탐지가 필요하다.
• 이중 단계 방법을 도입한다: 첫 번째 단계에서는 커뮤니티 구조를 무시한 최소제곱 함수를 사용해 변화점을 탐지하고, 두 번째 단계에서는 변화점 이전 및 이후 데이터에 대해 클러스터링을 적용하여 커뮤니티 구조와 모델 파라미터를 추정한다.
• 세 가지 별개의 제약 조건 하에서 변화점 추정기의 수렴 속도와 점근 정규성을 도출한다: (I) 조밀한 네트워크, (II) 전역 간선 확률 변화, (III) 국소적 간선 변화.
• 일관된 추정을 위한 식별 가능성 조건을 확립하며, 전체 구조 방법의 경우 오분류 비율 조건을, 이중 단계 방법의 경우 더 약한 조건을 제시한다.
• 스펙트럴 클러스터링을 기반으로 한 커뮤니티 탐지 알고리즘을 사용하며, 오분류 상황에서의 변화점 추정에 미치는 영향을 이론적으로 분석한다.
• 세 가지 제약 조건 하에서 변화점 추정기의 점근 분포를 분석한다: (I) 조밀한 네트워크, (II) 전역 간선 확률 변화, (III) 변화 전·후로 확률이 다를 수 있는 유한한 간선 집합이 존재하는 국소적 변화.

실험 결과

연구 질문

• RQ1 커뮤니티 구조가 단일 알려지지 않은 시점에 변화하는 DSBM에서, 어떤 조건 하에 변화점이 일관되게 추정될 수 있는가?
• RQ2 전체 구조 최소제곱 방법과 이중 단계 방법 간의 계산 비용과 통계적 식별 가능성 측면에서 성능는 어떻게 비교되는가?
• RQ3 다양한 네트워크 희박성 제약 조건 하에서 변화점 추정기의 수렴 속도와 점근 분포는 무엇인가?
• RQ4 클러스터링 알고리즘이 노드를 잘못 분류할 경우, 변화점 및 SBM 파라미터 추정의 일관성에 어떤 영향을 미치는가?
• RQ5 이중 단계 방법은 전체 구조 방법보다 더 약한 식별 가능성 조건 하에서도 일관된 추정을 달성할 수 있는가? 그리고 어떤 현실적인 네트워크 상황에서 이 조건이 성립하는가?

주요 결과

• 전체 구조 방법은 클러스터링 알고리즘의 오분류 비율에 엄격한 조건을 요구하며, 이는 현실적인 설정에서는 충족되기 어려울 수 있으나, 더 강력한 식별성을 제공해 일관된 추정에 유리하다.
• 이중 단계 방법은 전체 구조 방법보다 훨씬 더 약한 식별 가능성 조건 하에서도 일관된 변화점 추정을 달성하며, 커뮤니티 융합, 분할 또는 노드 재할당과 같은 실질적인 상황에서 성립한다.
• 두 방법 모두 각각의 정규성 및 식별 가능성 조건 하에서 변화점 추정기는 수렴 속도가 $ O_p(n^{-1}) $ 로 수렴하며, 모든 세 제약 조건에서 점근 정규성이 입증되었다.
• 제약 조건 II(전역 간선 변화)에서는 변화점 추정기의 점근 분산이 $ ilde{ ho}^2 $ 에 비례하며, 이는 간선 확률의 제곱 차이의 정규화된 합으로 정의된다.
• 제약 조건 III(국소적 변화)에서는 확률이 다를 수 있는 유한한 간선 집합 $ ilde{ ho}_0 $ 에 따라 점근 분포가 달라지며, 한계 분포의 안정성과 수렴성을 보장하는 조건이 존재한다.
• 이론적 결과는 조밀한 네트워크와 희박한 네트워크 제약 조건 모두에서 성립하지만, 특히 적응형 추론를 위한 희박한 제약 조건 하에서 점근 정규성의 보존 여부는 추가 연구가 필요하다.