[논문 리뷰] Hypothesis Testing for Equality of Latent Positions in Random Graphs

Xin-Jie Du, Minh Tang|arXiv (Cornell University)|2021. 05. 23.

Complex Network Analysis Techniques참고 문헌 46인용 수 4

한 줄 요약

이 논문은 인접행렬 또는 정규화된 라플라시안 행렬의 스펙트럼 임bedding로부터의 마할라노비스 거리에 기반한 일반화된 랜덤 도트곱 그래프에서 잠재 위치의 동일성에 대한 귀무가설 검정을 제안한다. 미약한 규칙성 조건 하에서, 검정 통계량은 귀무가설과 국소 대립가설 하에서 모두 점차적으로 카이제곱 분포를 따르며, 이는 스 tochastic block models (SBM), degree-corrected 변형, Erdős–Rényi 모델 간의 모델 선택을 가능하게 한다. 이론적으로 유도된 비비례 중심성 매개변수를 통해 검정력 분석이 가능하다.

ABSTRACT

We consider the hypothesis testing problem that two vertices $i$ and $j$ of a generalized random dot product graph have the same latent positions, possibly up to scaling. Special cases of this hypothesis test include testing whether two vertices in a stochastic block model or degree-corrected stochastic block model graph have the same block membership vectors, or testing whether two vertices in a popularity adjusted block model have the same community assignment. We propose several test statistics based on the empirical Mahalanobis distances between the $i$th and $j$th rows of either the adjacency or the normalized Laplacian spectral embedding of the graph. We show that, under mild conditions, these test statistics have limiting chi-square distributions under both the null and local alternative hypothesis, and we derived explicit expressions for the non-centrality parameters under the local alternative. Using these limit results, we address the model selection problems including choosing between the standard stochastic block model and its degree-corrected variant, and choosing between the ER model and stochastic block model. The effectiveness of our proposed tests are illustrated via both simulation studies and real data applications.

연구 동기 및 목표

• 일반화된 랜덤 도트곱 그래프에서 두 정점이 스케일링을 제외하고 동일한 잠재 위치를 갖는지 여부를 통계적 가설 검정을 통해 평가하는 것.
• 스토하스틱 블록 모델(SBM), degree-corrected SBM (DC-SBM), Erdős–Rényi (ER) 모델 간의 모델 선택 과제를 해결하는 것.
• 일반화된 랜덤 도트곱 그래프(GRDPG) 프레임워크 하에서 정점 수준의 잠재 위치 동일성에 대해 점차적으로 타당한 추론을 제공하는 것.
• 정점 간의 구조적 유사성 검정을 통해 정점 명시 및 역할 탐색 응용을 가능하게 하는 것.
• 국소 대립가설 하에서 검정력 분석을 위한 비중앙성 매개변수를 유도하는 것.

제안 방법

• 인접행렬 또는 정규화된 라플라시안 행렬의 스펙트럼 임bedding에서 제i 및 제j 정점의 행 간의 경험적 마할라노비스 거리에 기반한 검정 통계량을 제안한다.
• 그래프 행렬의 스펙트럼 임bedding을 통해 GRDPG 모델 하에서 잠재 위치의 일관된 추정치를 확보한다.
• 귀무가설과 국소 대립가설 하에서 검정 통계량의 점근적 카이제곱 분포를 유도하며, 명시적인 비중앙성 매개변수를 제공한다.
• 정점 수준의 잠재 위치 동일성(스케일링을 포함)에 대한 귀무가설 검정을 위해 점근 분포를 적용한다.
• 다양한 희박성 수준에서 유의수준과 검정력을 평가하기 위해 500회의 몬테카를로 시뮬레이션을 수행한다.
• 정치 블로그 실데이터를 사용하여 이론적 결과를 검증하였으며, 경험적 검정력과 이론적 검정력 간의 밀접한 일치를 보였다.

실험 결과

연구 질문

• RQ1 일반화된 랜덤 도트곱 그래프에서 두 정점이 스케일링을 고려하여 동일한 잠재 위치를 갖는지, 스펙트럼 임bedding을 통해 검정할 수 있는가?
• RQ2 귀무가설과 국소 대립가설 하에서 정점 쌍의 동일성에 대한 마할라노비스 거리 기반 검정 통계량의 점근적 분포는 무엇인가?
• RQ3 이 검정 통계량을 사용하여 SBM, DC-SBM, ER 모델과 같은 경쟁적 네트워크 모델 간의 선택을 어떻게 수행할 수 있는가?
• RQ4 국소 대립가설 하에서 비중앙카이제곱 분포의 명시적 비중앙성 매개변수는 무엇이며, 이는 검정력에 어떻게 영향을 미치는가?
• RQ5 희박성 수준이 다양할 경우, 점근 근사가 유한 표본에서 얼마나 잘 작동하는가?

주요 결과

• 귀무가설 하에서 검정 통계량 $ T_{\text{out}} $, $ T_{\text{in}} $, $ T_{\text{both}} $ 는 각각 $ \chi^2_3 $, $ \chi^2_3 $, $ \chi^2_6 $ 분포를 점차적으로 따르며, 경험적 히스토GRAM은 이론적 카이제곱 밀도와 밀도적으로 일치한다.
• 모든 희박성 수준에서 $ T_{\text{out}} $ 및 $ T_{\text{both}} $ 의 경험적 유의수준 추정치는 명시된 0.05 수준에 매우 가까워, 정확한 크기 제어를 확인한다.
• $ T_{\text{in}} $ 및 $ T_{\text{both}} $ 의 경험적 검정력은 희박성 증가에 따라 증가하여 $ \rho = 1.0 $ 에서 각각 0.956 및 0.844에 도달하며, 이는 이론적 검정력 예측과 매우 유사하다.
• 국소 대립가설 하에서 비중앙성 매개변수의 이론적 추정치는 정확하며 관측된 검정력과 강한 상관관계를 보이며, 점근 이론의 타당성을 검증한다.
• 정치 블로그 데이터셋에서 제안된 검정은 정점 간의 구조적 유사성을 성공적으로 식별하였으며, 정점 명시와 같은 실세계 응용에서의 유용성을 뒷받침한다.
• 이 방법은 효과적인 모델 선택을 가능하게 하여, 정점 수준의 잠재 위치 동일성 검정을 바탕으로 SBM, DC-SBM, ER 모델 간의 구분이 가능하다.