[논문 리뷰] Consistency of Maximum Likelihood for Continuous-Space Network Models.

Cosma Rohilla Shalizi, Dena Marie Asta|arXiv (Cornell University)|2017. 11. 06.

Complex Network Analysis Techniques참고 문헌 19인용 수 7

한 줄 요약

이 논문은 자연스러운 부드러움과 대칭성 가정 하에 연속 공간 네트워크 모델에서 비모수적 최대우도 추론의 일致성을 확립한다. 노드 수가 증가함에 따라, 노드 위치, 잠재 공간 분포, 그래프 생성 분포가 모두 진짜 값으로 수렴함을 증명하며, 확장 가능한 네트워크 모델링을 위한 이론적 기초를 제공한다.

ABSTRACT

Network analysis needs tools to infer distributions over graphs of arbitrary size from a single graph. Assuming the distribution is generated by a continuous latent space model which obeys certain natural symmetry and smoothness properties, we establish three levels of consistency for non-parametric maximum likelihood inference as the number of nodes grows: (i) the estimated locations of all nodes converge in probability on their true locations; (ii) the distribution over locations in the latent space converges on the true distribution; and (iii) the distribution over graphs of arbitrary size converges.

연구 동기 및 목표

• 단일 관측된 그래프로부터 네트워크 분포를 추론하기 위한 이론적으로 타당한 방법을 개발하는 것.
• 임의의 크기의 네트워크를 연속 잠재 공간을 사용하여 모델링하는 과제를 다루는 것.
• 최소한의 정규성 조건 하에서 비모수적 최대우도 추정의 渐近 일치성을 확립하는 것.
• 노드 수가 증가함에 따라 추론된 네트워크 성질이 그 진짜 기저 분포로 수렴하도록 보장하는 것.

제안 방법

• 네트워크가 대칭성과 부드러움 성질을 갖는 연속 잠재 공간 모델에 의해 생성된다고 가정한다.
• 단일 관측된 그래프로부터 비모수적 최대우도 추정을 사용하여 노드 위치와 잠재 공간 분포를 추론한다.
• 확률적 수렴 추론을 적용하여 추정된 노드 위치가 n → ∞ 일 때 진짜 위치로 수렴함을 보인다.
• 잠재 위치에 대한 경험적 분포가 진짜 기저 분포로 수렴함을 확립한다.
• 측도 엔트로피와 엔트로피 조건을 사용하여 잠재 공간 모델의 복잡도를 제어한다.
• 균일 수렴 기법을 활용하여 세 가지 수준에서의 일치성(노드 위치, 잠재 분포, 그래프 생성 분포)을 증명한다.

실험 결과

연구 질문

• RQ1 비모수적 최대우도 추정은 연속 공간 네트워크 모델에서 노드의 진짜 잠재 위치를 일관되게 복원하는가?
• RQ2 노드 수가 증가함에 따라 잠재 위치에 대한 추정 분포가 진짜 분포로 수렴하는가?
• RQ3 임의 크기의 그래프를 생성하는 데 사용된 모델이 진짜 생성 과정으로 수렴하는가?
• RQ4 최대우도 추정이 연속 잠재 공간 네트워크에서 일관성을 유지하는 데 필요한 정규성 조건은 무엇인가?
• RQ5 노드 위치, 잠재 분포, 그래프 분포의 다중 수준 추론에서 일관성이 확립될 수 있는가?

주요 결과

• 노드의 추정 위치들이 노드 수가 증가함에 따라 확률적으로 진짜 잠재 위치로 수렴한다.
• 잠재 위치에 대한 경험적 분포가 확률적으로 진짜 기저 분포로 수렴한다.
• 임의 크기의 그래프에 대한 추론된 분포가 진짜 생성 분포로 수렴한다.
• 대칭성과 생성 과정의 부드러움이라는 최소한의 가정 하에서 일관성이 확립된다.
• 비모수적 추론이므로 잠재 공간 분포에 대해 사전에 정해진 파라미터 형식이 필요하지 않다.
• 이론적 프레임워크는 반복 샘플링이 필요 없이 단일 관측된 네트워크로부터 확장 가능한 네트워크 모델링을 지원한다.