[논문 리뷰] Latent Point Process Models for Spatial-Temporal Networks

Yoon-Sik Cho, Aram Galstyan외 2명|arXiv (Cornell University)|2013. 02. 12.

Human Mobility and Location-Based Analysis참고 문헌 23인용 수 13

한 줄 요약

이 논문은 위치와 시간 데이터만을 사용하여 누락된 참가자를 추론하기 위해 공간-시간 잠재 포인트 과정 모델을 제안한다. 이는 근사 변동 최대화 기반의 기반 알고리즘을 사용하여 누락된 신원을 동시에 추론하고 향후 사건을 예측하며, 시뮬레이션 및 실세계 데이터를 사용하여 신원 추론 및 예측 작업에서 뛰어난 성능을 보여준다.

ABSTRACT

Social network data is generally incomplete with missing information about nodes and their interactions. Here we propose a spatial-temporal latent point process model that describes geographically distributed interac-tions between pairs of entities. In contrast to most existing approaches, we assume that interactions are not fully observable, and certain interaction events lack information about participants. Instead, this information needs to be inferred from the available obser-vations. We develop an efficient approximate algorithm based on variational expectation-maximization to infer unknown participants in an event given the location and the time of the event. We validate the model on syn-thetic as well as real–world data, and ob-tain very promising results on the identity-inference task. We also use our model to predict the timing and participants of future events, and demonstrate that it compares fa-vorably with a baseline approach. 1

연구 동기 및 목표

• 상호작용 참가자가 관측되지 않거나 누락된 불완전한 사회망 데이터 문제를 해결하기 위해.
• 참가자 관측이 불완전한 상황에서 엔티티 쌍 간의 지리적으로 분포된 상호작용을 모델링하기 위해.
• 누락된 신원을 동시에 추정하고 향후 사건을 예측하는 효율적인 추론 방법을 개발하기 위해.
• 실세계 및 시뮬레이션 데이터셋을 기반으로 신원 추론 및 사고 예측 작업에 대해 모델을 검증하기 위해.

제안 방법

• 모델은 연속적인 시간과 공간에서 상호작용을 사건으로 표현하기 위해 공간-시간 포인트 과정을 사용한다.
• 상호작용 참가자는 데이터에서 관측되지 않는 잠재 변수로 가정되며, 사건의 위치와 타임스탬프에서 유추되어야 한다.
• 잠재 참가자에 대한 후행 분포가 계산이 불가능한 데 기인하여, 변동 기반 기대최대화(VEM) 알고리즘을 개발하여 근사 추론을 수행한다.
• VEM 접근법은 진짜 후행 분포를 근사하기 위해 변동 매개변수를 반복적으로 최적화한다.
• 관측된 사고 메타데이터를 사용하여 사고 발생 강도 함수와 참가자 신원 분포를 동시에 학습한다.
• 통합된 확률적 생성 과정을 통해 신원 추론과 향후 사고 예측을 모두 가능하게 하는 프레임워크를 제공한다.

실험 결과

연구 질문

• RQ1 오직 위치와 시간 데이터만을 사용하여 공간-시간 사회적 상호작용에서 누락된 참가자를 효과적으로 추론할 수 있는가?
• RQ2 제안된 모델은 기준 방법에 비해 누락된 상호작용 참가자의 신원 복원에 얼마나 잘 성과를 내는가?
• RQ3 불완전한 데이터를 기반으로 향후 사고의 시점과 참가자를 얼마나 잘 예측할 수 있는가?
• RQ4 실세계 사회망에서 데이터 희소성과 참가자 정보 누락에 대해 모델은 얼마나 강건한가?

주요 결과

• 모델은 신원 추론 작업에서 뛰어난 성능을 보이며, 시뮬레이션 및 실세계 데이터셋 모두에서 기준 방법들을 능가한다.
• 변동 기반 기대최대화 알고리즘이 대규모 공간-시간 네트워크에서 잠재 참가자 신원에 대한 효율적이고 확장 가능한 추론을 가능하게 한다.
• 기준 방법에 비해 향후 사고 시점 및 참가자 예측에 대해 유리한 예측 성능을 보여준다.
• 시뮬레이션 데이터 결과는 참가자 정보 누락에도 불구하고 진짜 상호작용 패턴을 회복할 수 있음을 검증한다.
• 공간적·시간적 종속성을 활용하여 누락된 실체를 추론함으로써 데이터 불완전성 문제를 효과적으로 처리한다.
• 통합된 추론 프레임워크를 통해 상호작용을 통합된 생성 과정으로 모델링함으로써 신원 복원 및 예측 정확도가 향상된다.