[논문 리뷰] Modeling Dynamical Influence in Human Interaction Patterns

Wei Pan, Manuel Cebrián외 4명|arXiv (Cornell University)|2010. 09. 01.

Opinion Dynamics and Social Influence참고 문헌 36인용 수 12

한 줄 요약

이 논문은 기초 네트워크 구조가 알려져 있지 않은 상태에서도 관측된 시계열 데이터만을 사용하여 사회 시스템 내 엔티티 간의 시간에 따라 변화하는 영향력을 추론하는 동적 영향 모델을 소개한다. 잠재 상태 간 전환하는 매개변수로 영향력을 모델링함으로써, 명절 기간 동안 장거리 인플루엔자 전파가 증가하는 것과 같은 변화하는 전파 패턴을 성공적으로 포착한다. 관찰 데이터로부터 인과적 영향력을 강력하게 추론함을 보여준다.

ABSTRACT

How can we model influence between individuals in a social system, even when the network of interactions is unknown? In this article, we review the literature on the "influence model," which utilizes independent time series to estimate how much the state of one actor affects the state of another actor in the system. We extend this model to incorporate dynamical parameters that allow us to infer how influence changes over time, and we provide three examples of how this model can be applied to simulated and real data. The results show that the model can recover known estimates of influence, it generates results that are consistent with other measures of social networks, and it allows us to uncover important shifts in the way states may be transmitted between actors at different points in time.

연구 동기 및 목표

• 상호작용 네트워크가 알려져 있지 않은 상황에서 사회 시스템 내 개인 간의 영향력을 모델링하기 위해.
• 특히 명절과 같은 외부 요인 변화에 반응하여 영향력 역학이 어떻게 변화하는지 파악하기 위한 방법을 개발하기 위해.
• 직접적인 네트워크 구조를 요구하지 않고도 관찰 시계열 데이터로부터 인과적 영향 경로를 추론하기 위해.
• 모델을 시뮬레이션된 데이터와 실제 데이터(그룹 토론 및 인플루엔자 유행 추세 포함)에 대해 검증하기 위해.

제안 방법

• 모델는 각 엔티티가 잠재 상태를 가지며, 조건부 발산 확률(Gaussian 또는 다항분포)에 기반해 관측 신호를 생성하는 은닉 마르코프 프레임워크를 사용한다.
• 영향력은 여러 영향력 행렬 R(j) 중 하나를 선택하는 전환 매개변수 rt를 통해 모델링되며, 각 행렬은 영향력의 다른 동적 제도를 나타낸다.
• 영향력 행렬 R(j)는 각 엔티티의 상태가 이웃 엔티티에 의해 어떻게 영향을 받는지를 정의하며, 시간에 따라 변화하는 매개변수들이 네트워크 구조의 변화를 포착한다.
• 잠재 상태와 전환 매개변수에 대한 사후 분포를 추정하기 위해 베이지안 프레임워크와 변분 추론을 사용하여 추론을 수행한다.
• 정적 또는 횡단적 데이터보다 인과 추론을 향상시키기 위해 상호작용의 시간 순서와 비대칭성을 모델에 통합한다.
• 모델은 세 가지 데이터셋에 적용된다: 시뮬레이션된 그룹 역학, 회의에서의 사회적 거리 측정 배지 데이터, 구글 인플루엔자 트렌드에서의 주간 미국 인플루엔자 활동 데이터.

실험 결과

연구 질문

• RQ1 기초 사회 네트워크가 알려져 있지 않은 상황에서 개인 간 영향력을 어떻게 추론할 수 있는가?
• RQ2 영향력 패턴은 시간이 지남에 따라 어떻게 변화하는가? 특히 명절과 같은 외부 사건에 반응하여 어떻게 변화하는가?
• RQ3 시계열 데이터만으로도 알려진 영향력 경로를 회복할 수 있는가?
• RQ4 시계열 데이터에서 장거리 영향력 변화와 같은 전파 역학의 변화를 모델이 얼마나 잘 감지할 수 있는가?
• RQ5 실제 사회 역학을 포착하는 데 있어 다른 네트워크 추론 방법과 비교해 모델은 어떤가?

주요 결과

• 모델은 시뮬레이션된 데이터에서 알려진 영향력 경로를 성공적으로 복원하여, 시계열 데이터만으로도 잠재 영향력 구조를 정확하게 추론할 수 있음을 보여준다.
• 사회적 거리 측정 배지 데이터에서는 영향력이 비대칭적이고 시간에 따라 변동함을 확인했으며, 일부 개인이 그룹 토론의 특정 단계에서 더 큰 영향력을 행사함을 밝혀냈다.
• 명절 기간 동안 모델은 미국 각지 간 거리가 먼 지역 간의 인플루엔자 전파 영향력이 증가하는 급격한 변화를 감지했다.
• 전환 매개변수 rt의 사후 확률이 크리스마스 시즌에 최고조로 상승하며, 이는 영향력 패턴의 비연속적 변화를 나타내며, 이는 이동 증가와 사회적 혼합 증가와 상관관계가 있다.
• 모델은 정상 시기와 명절 시기의 두 가지 영향력 행렬을 식별하여, 미국 각지에서의 인플루엔자 전파 능력 변화를 정확히 포착했다.
• 결과는 알려진 전염병학적 패턴과 일치하며, 명절 관련 이동이 명시적으로 모델링되지 않은 상태에서도 질병 전파 역학을 크게 변화시킬 수 있음을 시사한다.