[논문 리뷰] Reciprocity, community detection, and link prediction in dynamic networks

Hadiseh Safdari, Martina Contisciani외 1명|arXiv (Cornell University)|2021. 12. 17.

Complex Network Analysis Techniques참고 문헌 13인용 수 6

한 줄 요약

이 논문은 시간에 따라 변화하는 네트워크에서 상호성과 커뮤니티 구조를 동시에 포착하는 동적 생성 모델인 DynCRep을 제안한다. 마르코프 전이 과정과 기대최대화(EM) 알고리즘을 통합함으로써, 커뮤니티 전용 모델에 비해 링크 예측 성능을 향상시키고, 인용 및 이메일 네트워크에서 실제 상호성을 더 잘 반영한다.

ABSTRACT

Many complex systems change their structure over time, in these cases dynamic networks can provide a richer representation of such phenomena. As a consequence, many inference methods have been generalized to the dynamic case with the aim to model dynamic interactions. Particular interest has been devoted to extend the stochastic block model and its variant, to capture community structure as the network changes in time. While these models assume that edge formation depends only on the community memberships, recent work for static networks show the importance to include additional parameters capturing structural properties, as reciprocity for instance. Remarkably, these models are capable of generating more realistic network representations than those that only consider community membership. To this aim, we present a probabilistic generative model with hidden variables that integrates reciprocity and communities as structural information of networks that evolve in time. The model assumes a fundamental order in observing reciprocal data, that is an edge is observed, conditional on its reciprocated edge in the past. We deploy a Markovian approach to construct the network's transition matrix between time steps and parameters' inference is performed with an Expectation-Maximization algorithm that leads to high computational efficiency because it exploits the sparsity of the dataset. We test the performance of the model on synthetic dynamical networks, as well as on real networks of citations and email datasets. We show that our model captures the reciprocity of real networks better than standard models with only community structure, while performing well at link prediction tasks.

연구 동기 및 목표

• 기존의 동적 스토케스틱 블록 모델이 방향성 네트워크에서 상호성을 忽시하는 한계를 해결하기 위해.
• 시간에 따라 변화하는 네트워크에서 커뮤니티 구조와 상호작용 엣지 형성 양상을 동시에 포착하는 생성 모델을 개발하기 위해.
• 커뮤니티 소속 이외의 구조적 특성을 통합함으로써 링크 예측 정확도를 향상시키기 위해.
• 마르코프 전이 행렬과 EM 알고리즘을 활용하여 희박한 동적 네트워크에서 효율적인 추론을 가능하게 하기 위해.

제안 방법

• 모델은 CRep 생성 모델을 연속 시간 마르코프 과정을 도입하여 동적 네트워크로 확장한다. 이 과정은 시간 단위 간 엣지 전이를 모델링한다.
• 엣지 형성은 반대편 엣지의 과거 존재 여부에 조건부로 의존하며, 이는 상호 관계 관찰의 시간적 순서를 강제한다.
• 커뮤니티 소속과 상호성에 기반하여 엣지의 존재 및 소멸 확률을 모델링하기 위해 전이 행렬을 구성한다.
• 네트워크의 희박성을 효과적으로 활용하여 계산 효율성을 확보하기 위해 기대최대화(EM) 알고리즘을 통해 모수를 추론한다.
• 잠재 변수를 통해 커뮤니티 소속과 상호성을 동시에 모델링하여 현실적인 동적 네트워크 구조를 공동 생성한다.
• 반복 최적화를 통해 대규모 희박 동적 네트워크에서 확장 가능한 학습이 가능한 추론 프레임워크를 제공한다.

실험 결과

연구 질문

• RQ1 커뮤니티 구조와 상호성을 모두 통합한 동적 네트워크 모델이 커뮤니티 소속에만 의존하는 모델보다 성능이 뛰어나게 되는가?
• RQ2 실제 동적 네트워크에서 상호성의 통합이 링크 예측 성능에 어떤 영향을 미치는가?
• RQ3 모델이 인용 및 이메일 네트워크에서 상호작용의 시간적 동역학을 어느 정도 정확히 포착하는가?
• RQ4 마르코프 전이 과정이 계산 효율성을 유지하면서도 동적 네트워크의 엣지 진화를 효과적으로 모델링할 수 있는가?

주요 결과

• DynCRep 모델은 실제 인용 및 이메일 데이터셋에서 커뮤니티 전용 모델에 비해 상호성을 훨씬 더 잘 포착한다.
• 특히 강한 상호작용 패tern을 보이는 네트워크에서 표준 동적 스토케스틱 블록 모델에 비해 뛰어난 링크 예측 성능을 달성한다.
• 합성 및 실세계 네트워크에 대한 실증 평가를 통해 상호성 통합이 더 현실적인 네트워크 표현을 이끌어낸다는 것이 확인되었다.
• 네트워크의 희박성을 효과적으로 활용함으로써 EM 기반 추론 알고리즘이 높은 계산 효율성을 보였다.
• 과거의 상호작용 엣지에 조건부된 전이 확률을 통해 엣지 형성의 시간적 진화를 성공적으로 모델링하였다.
• 상호성과 커뮤니티 구조의 통합은 시간에 따라 커뮤니티 탐지의 안정성과 정확도를 향상시켰다.