[논문 리뷰] Stochastic Block Transition Models for Dynamic Networks

Kevin S. Xu|arXiv (Cornell University)|2014. 11. 19.

Complex Network Analysis Techniques참고 문헌 18인용 수 34

한 줄 요약

이 논문은 동적 네트워크를 위한 확률적 블록 전이 모델(SBTM)을 제안하며, 엣지 존재 여부가 다음 시간 단계의 엣지 확률에 영향을 미치도록 엣지 지속성을 명시적으로 모델링함으로써, 제한적인 은닉 마르코프 가정을 피한다. SBTM는 실사회적 네트워크 데이터에서 실제 엣지 지속 기간 분포를 재현하는 데 기존 모델보다 뚜렷하게 뛰어나며, 특히 장기 지속 상호작용을 잘 포착한다.

ABSTRACT

There has been great interest in recent years on statistical models for dynamic networks. In this paper, I propose a stochastic block transition model (SBTM) for dynamic networks that is inspired by the well-known stochastic block model (SBM) for static networks and previous dynamic extensions of the SBM. Unlike most existing dynamic network models, it does not make a hidden Markov assumption on the edge-level dynamics, allowing the presence or absence of edges to directly influence future edge probabilities while retaining the interpretability of the SBM. I derive an approximate inference procedure for the SBTM and demonstrate that it is significantly better at reproducing durations of edges in real social network data.

연구 동기 및 목표

• 기존 은닉 마르코프 기반 모델보다 실제 사회적 네트워크에서의 엣지 지속 패턴을 더 잘 포착하는 동적 네트워크 모델을 개발하는 것.
• 은닉 마르코프 기반 동적 스토케스틱 블록 모델에서 제한적인 마르코프 가정을 완화하기 위해 엣지 존재 여부가 향후 엣지 확률에 직접적인 영향을 미치도록 허용하는 것.
• 스토케스틱 블록 모델의 해석 가능성은 유지하면서 시간에 따른 동적 특성을 향상시키는 것.
• 실제 동적 네트워크 데이터에서 향후 네트워크 구조 예측 및 합성 네트워크 생성 정확도 향상을 입증하는 것.

제안 방법

• 시간 t에서 엣지 존재 여부가 시간 t+1에서 엣지 존재 확률에 직접적인 영향을 미치는 Stochastic Block Transition Model(SBTM)을 제안하며, 잠재 상태에 독립적으로 작용한다.
• 블록 확률의 진화를 동적 선형 시스템으로 모델링하며, 인접 행렬의 스케일된 표본 평균이 渐近적으로 정규분포를 이룬다고 가정한다.
• 모델 파라미터를 추정하기 위해 확장된 컨볼루션 필터와 국소 탐색 알고리즘을 조합한 근사 추론 절차를 개발한다.
• 첫 번째 시간 단계에서 스펙트럼 클러스터링을 사용해 초기화하고, 시간 순서가 지정된 인접 행렬에 모델을 적합시킨다.
• 엣지 동역학이 현재 블록 구성과 엣지 존재/부재 여부에 모두 의존하는 상태공간 공식을 사용한다.
• 시뮬레이션 실험과 90일 단위 시간 간격을 가진 실사회적 Facebook 벽 게시물 데이터를 사용해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 은닉 마르코프 기반 모델보다 엣지 지속성을 명시적으로 모델링하는 동적 네트워크 모델이 실제 엣지 지속 기간 분포를 더 잘 재현할 수 있는가?
• RQ2 엣지 동역학에 대한 마르코프 가정을 완화함으로써 실사회적 상호작용 데이터에 대한 합성 네트워크 생성 정확도가 향상되는가?
• RQ3 SBTM이 복잡한 시간적 의존성을 모델링하면서도 스토케스틱 블록 모델의 해석 가능성은 어느 정도 유지하는가?
• RQ4 SBTM은 정적 SBM 및 HM-SBM에 비해 향후 네트워크 구조 예측에서 어떤가?

주요 결과

• SBTM은 실동적 네트워크에서 관찰된 경험적 엣지 지속 기간 분포를 재현하는 데 있어 은닉 마르코프 스토케스틱 블록 모델(HM-SBM)과 정적 SBM보다 뚜렷하게 뛰어나다.
• Facebook 벽 게시물 데이터셋에서 SBTM가 생성한 합성 네트워크는 관측된 데이터와 유사한 엣지 지속 기간을 보였으며, 다수의 엣지가 여러 시간 단계에 걸쳐 지속되는 경향을 잘 반영했다.
• 반면, HM-SBM는 은닉 마르코프 구조상 잠재 상태가 안정적으로 유지되지 않는 한 반복적인 엣지 발생을 재현하지 못했으며, 장기 엣지 지속을 포착하지 못했다.
• SBTM의 직접적인 엣지 지속성 모델링 능력은 특히 지속적인 사회적 상호작용을 포착하는 데 더 현실적인 합성 네트워크를 생성한다.
• 확장된 컨볼루션 필터링과 국소 탐색의 조합으로 구성된 모델 추론 절차는 시간 단계 간 파라미터 및 블록 구성의 추정에 성공했다.
• Facebook 데이터의 관측된 엣지 지속 기간 분포에서는 20퍼센트 이상의 엣지가 다수 시간 단계에 걸쳐 활성화되어 있었으며, 이 패턴을 SBTM는 성공적으로 재현했고, HM-SBM는 이를 재현하지 못했다.