[논문 리뷰] Optimal Change Point Detection and Localization in Sparse Dynamic Networks

Daren Wang, Yi Yu외 1명|arXiv (Cornell University)|2018. 09. 25.

Mental Health Research Topics참고 문헌 49인용 수 35

한 줄 요약

이 논문은 시간에 따라 변화하는 간선 확률을 가진 희박한 동적 네트워크에서 변화점의 탐지 및 국소화를 위한 네트워크 이진 분할 및 국소 정밀화 알고리즘을 제안한다. 약한 희박성과 최소 간격 조건 하에서 국소 정밀화의 최소 최대 최적성과 함께, 일관된 변화점 탐지의 단계 전이를 규명한다.

ABSTRACT

We study the problem of change point localization in dynamic networks models. We assume that we observe a sequence of independent adjacency matrices of the same size, each corresponding to a realization of an unknown inhomogeneous Bernoulli model. The underlying distribution of the adjacency matrices are piecewise constant, and may change over a subset of the time points, called change points. We are concerned with recovering the unknown number and positions of the change points. In our model setting we allow for all the model parameters to change with the total number of time points, including the network size, the minimal spacing between consecutive change points, the magnitude of the smallest change and the degree of sparsity of the networks. We first identify a region of impossibility in the space of the model parameters such that no change point estimator is provably consistent if the data are generated according to parameters falling in that region. We propose a computationally-simple algorithm for network change point localization, called Network Binary Segmentation, that relies on weighted averages of the adjacency matrices. We show that Network Binary Segmentation is consistent over a range of the model parameters that nearly cover the complement of the impossibility region, thus demonstrating the existence of a phase transition for the problem at hand. Next, we devise a more sophisticated algorithm based on singular value thresholding, called Local Refinement, that delivers more accurate estimates of the change point locations. Under appropriate conditions, Local Refinement guarantees a minimax optimal rate for network change point localization while remaining computationally feasible.

연구 동기 및 목표

• 시간에 따라 변화하는 간선 확률을 갖는 동적 네트워크에서 변화점을 탐지하고 국소화하는 문제에 대응하기 위해.
• 희박한 비균일 베르누이 네트워크에서 일관된 변화점 탐지의 기본 한계를 규명하기 위해.
• 약한 희박성과 최소 간격 제약 조건 하에서 계산적으로 효율적이고 통계적으로 최적인 변화점 국소화 알고리즘을 개발하기 위해.
• 모델의 매개변수 공간에서 일관된 탐지가 불가능한 영역과 가능성이 있는 영역을 분리하는 단계 전이를 수립하기 위해.

제안 방법

• 가중치가 부여된 인cidencematrices의 평균을 사용하여 변화점을 탐지하는 계산적으로 단순한 알고리즘인 네트워크 이진 분할을 제안한다.
• 초기 추정치를 정밀화함으로써 국소화 정확도를 향상시키는 고유값 임계치 기반 알고리즘인 국소 정밀화를 도입한다.
• 비균일 베르누이 모델의 구조를 활용하여, 경험적 네트워크 평균 간의 가중치가 부여된 차이를 기반으로 한 검정 통계량을 사용하여 변화를 탐지한다.
• 희박성 조건 하에서 농도 부등식과 스펙트럼 노름 제어를 사용하여 추정 오차의 이론적 경계를 유도한다.
• 변화점이 포함된 간격 Δ의 커버리지를 보장하기 위해 무작위 샘플링 기반 기법을 활용하여 확률적 일관성을 확보한다.
• 추정 오차의 하한을 구축하고 이를 국소 정밀화의 상한과 일치시킴으로써 최소 최대 최적성을 수립한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 간선 확률을 갖는 희박한 동적 네트워크에서 일관된 변화점 탐지의 기본 한계는 무엇인가?
• RQ2 계산적으로 효율적인 알고리즘이 광범위한 모델 매개변수 범위에서 일관된 변화점 국소화를 달성할 수 있는가?
• RQ3 매개변수 공간에서 탐지가 불가능하거나 가능해지는 단계 전이가 존재하는가?
• RQ4 정밀화된 알고리즘이 계산적으로 실현 가능하면서도 최소 최대 최적의 국소화 오차를 달성할 수 있는가?
• RQ5 희박성, 변화점 간 최소 간격, 신호 강도는 변화 탐지 가능성에 어떤 영향을 미치는가?

주요 결과

• 논문은 신호 강도나 간격이 부족할 경우 일관된 변화점 추정자가 존재할 수 없는 매개변수 공간의 불가능 영역을 규명한다.
• 네트워크 이진 분할은 불가능 영역의 여집합에 거의 근접하는 매개변수 범위에서 일관된 변화점 국소화를 달성하며, 이는 단계 전이를 보여준다.
• 적절한 조건 하에서 국소 정밀화는 변화점 국소화에 대해 최소 최대 최적 속도를 달성하며, 추정 오차의 이론적 하한과 일치한다.
• 고유값 임계치 기반 반복적 정밀화 기법을 활용하여 알고리즘은 계산적으로 실현 가능성을 유지한다.
• 변화점 위치의 추정 오차가 $ Oigl(\frac{1}{\rho^2 \tau^2}\bigr) $ 스케일링을 갖는 항으로 유계임을 보장한다. 여기서 $ \rho $ 는 희박성 매개변수이고 $ \tau $ 는 변화점 간 최소 간격이다.
• 이론적 분석을 통해 무작위 샘플링을 통한 모든 변화점을 포함할 확률이 $ 1 - \text{exp}\bigl\{\text{log}(T/\tau) - M\tau^2/(16T^2)\bigr\} $ 이하로 유계임을 확인하여 고확률 일관성을 보장한다.