[논문 리뷰] Statistical inference on random dot product graphs: a survey

Avanti Athreya, Donniell E. Fishkind외 8명|arXiv (Cornell University)|2017. 09. 16.

Bayesian Methods and Mixture Models참고 문헌 76인용 수 120

한 줄 요약

랜덤 도트 프로덕트 그래프에 대한 스펙트럴 임베딩 방법(ASE와 LSE)의 포괄적 고찰로, 일관성, 점근적 정상성, 가설 검정 및 네트워크와 connectomics에의 활용을 상세히 다룬다.

ABSTRACT

The random dot product graph (RDPG) is an independent-edge random graph that is analytically tractable and, simultaneously, either encompasses or can successfully approximate a wide range of random graphs, from relatively simple stochastic block models to complex latent position graphs. In this survey paper, we describe a comprehensive paradigm for statistical inference on random dot product graphs, a paradigm centered on spectral embeddings of adjacency and Laplacian matrices. We examine the analogues, in graph inference, of several canonical tenets of classical Euclidean inference: in particular, we summarize a body of existing results on the consistency and asymptotic normality of the adjacency and Laplacian spectral embeddings, and the role these spectral embeddings can play in the construction of single- and multi-sample hypothesis tests for graph data. We investigate several real-world applications, including community detection and classification in large social networks and the determination of functional and biologically relevant network properties from an exploratory data analysis of the Drosophila connectome. We outline requisite background and current open problems in spectral graph inference.

연구 동기 및 목표

• 잠재 위치와 RDPG 프레임워크를 통해 무작위 그래프에 대한 통계적 추론을 동기를 부여한다.
• 스펙트럴 임베딩(ASE와 LSE)과 그 통계적 성질에 대한 결과를 종합한다.
• 임베딩이 어떻게 가설 검정과 다샘플 그래프 분석을 가능하게 하는지 설명한다.
• 커뮤니티 탐지, 분류 및 connectomics에서의 응용을 논의한다.
• 스펙트럴 그래프 추론의 미해결 문제와 향후 방향을 개요한다.

제안 방법

• 인접 행렬 스펙트럴 임베딩과 정규화된 라플라시안 스펙트럴 임베딩을 사용하여 잠재 위치를 추정한다.
• 행렬 섭동 및 집중 부등식을 활용하여 일관성과 분포적 결과를 도출한다.
• A와 L로부터 추정된 것과 실제 잠재 위치를 연관시키기 위해 Davis–Kahan 유형의 논증을 적용한다.
• RDPG 가정하에서 ASE와 LSE에 대한 점근적 정상성 결과를 개발한다.
• 다중 그래프 추론을 위한 가설 검정과 omnibus 임베딩을 탐구한다.
• SBMs, DCSBMs, MMSBMs와 이들의 RDPG 표현과의 연계를 논의한다.

실험 결과

연구 질문

• RQ1 ASE와 LSE를 통해 관찰된 그래프로부터 잠재 위치를 얼마나 정확하게 복원할 수 있는가?
• RQ2 스펙트럴 임베딩의 점근적 분포는 무엇인가?
• RQ3 임베딩을 어떻게 사용하여 신뢰할 수 있는 그래프 가설 검정 및 다중 그래프 비교를 구축할 수 있는가?
• RQ4 RDPG 프레임워크 내의 모델 선택(SBM, DCSBM, MMSBM)이 추론에 미치는 영향은 무엇인가?
• RQ5 실제 응용(예: 뇌 네트워크, connectomes)이 이 방법들을 어떻게 보여주는가?

주요 결과

• 인접 행렬 및 라플라시안 스펙트럴 임베딩은 RDPG 모델 하에서 잠재 위치의 일관된 추정치를 산출한다.
• ASE와 LSE에 대해 중심극한정리에 유사한 분포 결과가 성립하여 가설 검정을 가능하게 한다.
• 스펙트럴 방법은 Chernoff 정보 기반 비교를 포함하여 단일 그래프 및 다중 샘플 그래프 추론을 모두 지원한다.
• Omnibus 임베딩은 여러 그래프에 걸친 동시 추론을 위한 효과적인 도구를 제공한다.
• 응용은 대규모 네트워크와 connectomics 데이터에서 커뮤니티 탐지 및 분류의 개선을 보여준다.