[논문 리뷰] On identifying unobserved heterogeneity in stochastic blockmodel graphs with vertex covariates.

Cong Mu, Angelo Mele외 4명|arXiv (Cornell University)|2020. 07. 04.

Advanced Neuroimaging Techniques and Applications참고 문헌 24인용 수 1

한 줄 요약

이 논문은 정점 공변량이 있는 확률적 블록모델 그래프에 대해 두 가지 스펙트럴 클러스터링 알고리즘을 제안하고 비교하며, 관측된 이질성과 관측되지 않은 이질성이 블록 복구에 미치는 영향을 평가한다. 두 번째 알고리즘—공변량 영향을 먼저 추정한 후 블록을 할당하는 방식—은 분석 및 시뮬레이션 연구에서 첫 번째 알고리즘을 일관되게 능가하며, 관측된 이질성을 고려함으로써 관측되지 않은 이질성의 간섭을 줄여 진정한 블록 구조 식별 능력이 뛰어나다.

ABSTRACT

Both observed and unobserved vertex heterogeneity can influence block structure in graphs. To assess these effects on block recovery, we present a comparative analysis of two model-based spectral algorithms for clustering vertices in stochastic blockmodel graphs with vertex covariates. The first algorithm directly estimates the induced block assignments by investigating the estimated block connectivity probability matrix including the vertex covariate effect. The second algorithm estimates the vertex covariate effect and then estimates the induced block assignments after accounting for this effect. We employ Chernoff information to analytically compare the algorithms' performance and derive the Chernoff ratio formula for some special models of interest. Analytic results and simulations suggest that, in general, the second algorithm is preferred: we can better estimate the induced block assignments by first estimating the vertex covariate effect. In addition, real data experiments on a diffusion MRI connectome data set indicate that the second algorithm has the advantages of revealing underlying block structure and taking observed vertex heterogeneity into account in real applications. Our findings emphasize the importance of distinguishing between observed and unobserved factors that can affect block structure in graphs.

연구 동기 및 목표

• 관측된(정점 공변량) 및 관측되지 않은(잠재적) 이질성이 확률적 블록모델 그래프의 블록 구조에 미치는 영향을 분리하는 것.
• 정점 공변량을 서로 다른 순서로 통합한 두 가지 모델 기반 스펙트럴 클러스터링 알고리즘의 성능을 평가하는 것.
• 특정 모델에 대해 체르노프 정보를 사용하여 두 알고리즘의 성능을 분석 비교하고, 특수 모델에 대한 체르노프 비율 공식을 유도하는 것.
• 시뮬레이션과 실제 데이터를 통해 이론적 결과를 검증하며, 특히 신경영상 분야에서의 적용을 중점으로 하는 것.
• 관측된 이질성을 블록 할당 이전에 고려함으로써 진정한 기저 블록 구조의 복구가 향상됨을 보여주는 것.

제안 방법

• 단일 스펙트럴 클러스터링 단계에서 블록 간 연결 확률과 정점 공변량 영향을 동시에 추정하는 첫 번째 알고리즘을 제안한다.
• 정점 공변량 영향을 먼저 추정한 후 잔차 그래프에 대해 블록 할당을 수행하는 두 번째 알고리즘을 개발한다.
• 블록 할당 오류율을 비교하기 위해 체르노프 정보를 사용하여 두 알고리즘의 성능을 분석한다.
• 특정 모델 클래스에 대해 체르노프 비율 공식을 유도하여 상대적인 성능 차이를 정량화한다.
• 공변량 정보를 회귀 보정 모델을 통해 통합한 인접행렬에 스펙트럴 클러스터링 기법을 적용한다.
• 실제 시뮬레이션과 실질적 확산 MRI 연결망 데이터셋을 활용하여 결과의 실용적 성능을 검증한다.

실험 결과

연구 질문

• RQ1 관측된 정점 공변량과 관측되지 않은 이질성이 확률적 블록모델 그래프의 블록 구조 복구에 어떻게 공동으로 영향을 미치는가?
• RQ2 공변량과 블록 영향을 동시에 추정하는 것과 순차적으로 추정하는 것 중 어느 접근 방식이 더 뛰어난 블록 복구 성능을 낳는가?
• RQ3 체르노프 정보가 공변량이 있는 스펙트럴 클러스터링 알고리즘 성능 비교에 이론적 기반을 제공할 수 있는가?
• RQ4 특정 모델 설정에서 두 알고리즘의 오류율 간 분석적 관계는 어떠한가?
• RQ5 블록 할당 이전에 관측된 이질성을 고려함으로써 복잡한 네트워크에서 실제 블록 구조 탐지 성능이 향상되는가?

주요 결과

• 블록 할당 이전에 정점 공변량 영향을 먼저 추정하는 두 번째 알고리즘이 블록 복구 정확도 측면에서 첫 번째 알고리즘을 일관되게 능가한다.
• 체르노프 정보를 활용한 분석 비교 결과, 두 번째 알고리즘이 블록 할당 오류율이 낮으며, 특히 공변량 영향이 강할 경우 두드러진다.
• 특수 모델에 대해 유도한 체르노프 비율 공식은 두 번째 알고리즘이 관측되지 않은 이질성에 더 강건함을 확인한다.
• 시뮬레이션 결과는 두 번째 알고리즘이 다양한 노이즈 수준과 공변량 강도에서 높은 블록 복구 정확도를 유지함을 보여준다.
• 확산 MRI 연결망 데이터셋에 대한 실데이터 실험 결과, 두 번째 알고리즘이 관측된 정점 이질성을 고려함으로써 더 잘 진정한 기저 블록 구조를 드러낸다.
• 연구 결과는 관측된 이질성을 고려하지 않을 경우 네트워크 데이터에서 진정한 블록 구조가 가려지거나 왜곡될 수 있음을 시사한다.