[논문 리뷰] Network Inference from Temporal-Dependent Grouped Observations

Yunpeng Zhao|arXiv (Cornell University)|2018. 08. 25.

Complex Network Analysis Techniques인용 수 3

한 줄 요약

이 논문은 시간에 따라 변화하는 군집 관찰에서 잠재 사회망을 추론하기 위한 새로운 모델을 제안한다. 여기서 군집 리더는 마르코프 체인을 따르며, 인접한 군집 간에는 상관관계가 존재한다. 전방-후방 알고리즘에 기반한 다항시간 복잡도를 가지는 E단계를 갖는 EM 알고리즘을 사용함으로써, 독립적인 군집 가정에 비해 네트워크 추론 성능을 향상시켰으며, 시뮬레이션과 카비알레 침팬지 프로젝트 데이터에 적용하여 정확도를 높였다.

ABSTRACT

In social network analysis, the observed data is usually some social behavior, such as the formation of groups, rather than an explicit network structure. Zhao and Weko (2017) propose a model-based approach called the hub model to infer implicit networks from grouped observations. The hub model assumes independence between groups, which sometimes is not valid in practice. In this article, we generalize the idea of the hub model into the case of grouped observations with temporal dependence. As in the hub model, we assume that the group at each time point is gathered by one leader. Unlike in the hub model, the group leaders are not sampled independently but follow a Markov chain, and other members in adjacent groups can also be correlated. An expectation-maximization (EM) algorithm is developed for this model and a polynomial-time algorithm is proposed for the E-step. The performance of the new model is evaluated under different simulation settings. We apply this model to a data set of the Kibale Chimpanzee Project.

연구 동기 및 목표

• 사회망 분석에서 군집 관찰 간의 독립성 가정을 내포한 기존 네트워크 추론 방법의 한계를 해결하기 위해.
• 군집 리더가 마르코프 체인을 따르게 하여 군집 데이터의 시간적 의존성을 모델링함으로써, 동적인 사회 구조를 포착하기 위해.
• 시간적 의존성 하에서 잠재 네트워크 추정을 위한 계산적으로 효율적인 추론 절차를 개발하기 위해.
• 허브 모델을 확장하여 인접한 군집 간의 상관관계를 포함시켜 네트워크 재구성의 현실성 향상시키기 위해.
• 모델을 시뮬레이션 데이터와 실제 동물 군집 행동 데이터(예: 킷바레 침팬지 프로젝트)에 모두 적용하여 검증하기 위해.

제안 방법

• 군집 리더에 대한 잠재 마르코프 체인을 사용하여 네트워크 구조의 시간적 의존성을 허용한다.
• 각 군집이 한 명의 개인이 리더로 참여하고, 다른 구성원들이 리더 및 이전 군집 상태에 조건부로 의존하는 계층적 모델을 도입한다.
• 매개변수 추정을 위해 기대치-최대화(EM) 알고리즘을 사용하며, 은닉 마르코프 모델에 적합한 전방-후방 알고리즘을 활용한 다항시간 복잡도의 E단계를 구현한다.
• E단계를 위한 충분통계량을 유도하며, 이는 시간대별 리더 전이 수와 공시행 수를 포함한다.
• 모 bord 확률을 모델링하기 위해 로지스틱 회귀 유사 링크 함수를 사용하며, 리더 영향력, 군집 간 상관관계, 간선 강도에 대한 매개변수를 포함한다.
• 완전 데이터 로그우도의 일阶 및 이阶 도함수에 대한 닫힌 형태의 표현식을 유도하여 M단계에서 뉴턴-라프슨 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 시간적 의존성이 있는 군집 관찰을 효과적으로 모델링하여, i.i.d. 가정을 초월한 잠재 네트워크 추론 성능 향상을 달성할 수 있는가?
• RQ2 군집 리더에 마르코프 체인을 도입함으로써 추론된 사회망의 정확도는 어떻게 향상되는가?
• RQ3 시간적 의존성 하에서 다항시간 E단계를 갖는 EM 알고리즘을 사용한 네트워크 추론의 계산 가능성은 어떠한가?
• RQ4 인접 군집 간 상관관계를 고려할 경우, 독립 군집 모델 대비 네트워크 추정 품질은 어떻게 변화하는가?
• RQ5 제안된 모델은 침팬지 연합과 같은 실제 동물 군집 행동 데이터에서 알려진 사회 구조를 성공적으로 복원할 수 있는가?

주요 결과

• 시간적 의존성이 있는 시뮬레이션 환경에서, 제안된 모델은 독립 허브 모델 대비 네트워크 추론 정확도를 크게 향상시켰다.
• 전방-후방 알고리즘을 활용한 E단계를 갖는 EM 알고리즘은 다항시간 복잡도를 가지며, 이는 큰 네트워크에 대한 확장성 확보에 기여한다.
• 킷바레 침팬지 프로젝트 데이터에서 시간적 동역학을 성공적으로 포착하여, i.i.d. 모델보다 더 현실적인 사회 구조를 드러냈다.
• 리더의 마르코프 의존성과 군집 간 상관관계를 포함시킴으로써, 더 안정적이고 해석 가능한 네트워크 추정 결과를 도출하였다.
• 유도된 도함수를 통해 뉴턴-라프슨 최적화가 효율적으로 수행되어 실용적인 시간 내에 수렴함을 보였다.
• 시간적 의존성이 있는 조건에서, 실제 네트워크 구조 복원에 있어 공시행 수 및 하프 웨이트 지수 방법보다 제안된 모델이 뛰어난 성능을 보였다.