[논문 리뷰] Change point localization in dependent dynamic nonparametric random dot product graphs

Oscar Hernán Madrid Padilla, Yi Yu외 1명|arXiv (Cornell University)|2019. 11. 18.

Advanced Causal Inference Techniques참고 문헌 44인용 수 11

한 줄 요약

이 논문은 시간에 따라 변화하는 동적 네트워크를 종속적인 비모수적 랜덤 도트 곱 그래프(RDPG)로 모델링한 경우, 잠재 위치가 시간에 따라 조각별로 일정하게 변화하고 시간적 및 간선 간 종속성이 존재하는 상황에서 일致된 변화점 국지화를 위한 새로운 이단계 방법을 제안한다. 이 방법은 정교한 잠재 위치 추정과 시간적 종속성을 고려한 비모수적 CUSUM 통계량을 조합하여 이론적 일致성과 시뮬레이션에서 최고 수준의 성능을 달성한다.

ABSTRACT

In this paper, we study the offline change point localization problem in a sequence of dependent nonparametric random dot product graphs. To be specific, assume that at every time point, a network is generated from a nonparametric random dot product graph model \citep[see e.g.][]{athreya2017statistical}, where the latent positions are generated from unknown underlying distributions. The underlying distributions are piecewise constant in time and change at unknown locations, called change points. Most importantly, we allow for dependence among networks generated between two consecutive change points. This setting incorporates edge-dependence within networks and temporal dependence between networks, which is the most flexible setting in the published literature. To accomplish the task of consistently localizing change points, we propose a novel change point detection algorithm, consisting of two steps. First, we estimate the latent positions of the random dot product model, our theoretical result being a refined version of the state-of-the-art results, allowing the dimension of the latent positions to diverge. Subsequently, we construct a nonparametric version of the CUSUM statistic \citep[e.g.][]{Page1954, padilla2019optimal} that allows for temporal dependence. Consistent localization is proved theoretically and supported by extensive numerical experiments, which illustrate state-of-the-art performance. We also provide in depth discussion of possible extensions to give more understanding and insights.

연구 동기 및 목표

• 시간적 종속성과 간선 간 종속성이 모두 존재하는 동적 네트워크에서 변화점 국지화 문제를 해결하기 위해.
• 비모수적 RDPG 모델의 기저 분포 변화를 탐지하기 위한 이론적으로 타당한 방법을 개발하기 위해.
• 잠재 차원 수가 증가하는 상황에서도 일致된 변화점 국지화를 유지할 수 있도록 하기 위해.
• 기존 문헌에서의 주요 격차인 시간적 종속성을 통합함으로써 기존 방법을 확장하기 위해.
• 기존 접근법보다 뛰어난 성능을 보이는 강건한 비모수적 프레임워크를 제공하기 위해.

제안 방법

• 잠재 차원 수가 증가할 수 있도록 허용하는 정교한 스펙트럼 방법을 사용하여 RDPG 모델의 잠재 위치를 추정한다.
• 추정된 잠재 위치를 바탕으로 비모수적 CUSUM 통계량을 구성하여 변화를 탐지한다.
• 시간적 종속성을 고려하기 위해 수정된 CUSUM 검정 통계량과 渐近 이론을 사용하여 네트워크 간 시간적 종속성을 처리한다.
• 이중 단계 절차를 사용한다: 먼저 잠재 위치를 추정하고, 그 다음 추정된 시계열에 변화점 탐지 기법을 적용한다.
• 이론적 분석을 통해 일반적인 종속성 가정 하에 변화점 국지화의 일치성을 확립한다.
• 다양한 네트워크 시나리오(커뮤니티 구조 변화 및 간선 발생 확률 변화 포함)에서 광범위한 시뮬레이션을 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 시간적 종속성과 간선 간 종속성이 존재하는 동적 RDPG 네트워크에서 일치된 변화점 국지화를 달성할 수 있는가?
• RQ2 기존 접근법과 비교해 볼 때, 제안된 방법은 잠재 차원 수가 증가하는 상황에서 어떻게 성능을 보이는가?
• RQ3 시간적 종속성이 비모수적 네트워크 모델에서 변화점 탐지 정확도에 어떤 영향을 미치는가?
• RQ4 제안된 방법은 동적 네트워크에서 커뮤니티 구조 변화나 간선 발생 확률 이동을 탐지할 수 있는가?
• RQ5 국소화 정확도 측면에서 NBS 및 MNBS와 같은 최첨단 대안 방법과 비교해 볼 때 제안된 방법은 어떻게 성능을 내는가?

주요 결과

• 제안된 NonPar-RDPG-CPD 방법은 시간적 종속성 하에서도 일치된 변화점 국지화를 달성하며, 이론적 보장을 갖춘다.
• 시뮬레이션 결과, NonPar-RDPG-CPD는 모든 시나리오에서 NBS 및 MNBS를 초월하며, n=300 및 σ²=1.5일 때 중앙값 |K - K̂| = 0.2를 기록한다.
• 커뮤니티 구조 변화 시나리오(5번)에서는 낮은 오류율을 유지하며, n=300일 때 d(Ĉ|C) = 1.0 및 d(C|Ĉ) = 1.0을 기록한다.
• 추가 시뮬레이션 설정에서 σ² ∈ {1.5, 2.0, 2.5} 범위에서 점프 크기가 다양할 경우에도 일관된 성능을 보이며 강건성을 입증한다.
• 기본 네트워크 구조가 독립적인 간선 생성에서 시간적 종속성 있는 간선 생성으로 변화하는 경우에도 변화점을 성공적으로 탐지한다.
• 이론적 결과는 기존 연구를 확장하여 잠재 차원 수의 증가를 허용하고 CUSUM 검정에 시간적 종속성을 통합한다.