[논문 리뷰] Stochastic blockmodels for exchangeable collections of networks

Perla E. Reyes, Abel Rodríguez|arXiv (Cornell University)|2016. 06. 16.

DNA and Biological Computing참고 문헌 27인용 수 5

한 줄 요약

이 논문은 교환 가능한 네트워크 집합을 동시 분석하기 위한 베이지안 비모수 스토하스틱 블록모델을 제안하며, 여러 네트워크 간의 공동으로 커뮤니티 구조를 추정하면서도 불확실성 정량화와 모형 비교를 가능하게 한다. 이 방법은 분할에 대한 차이나 리스토랑 프로세스 사전분포를 사용하고, 혼합과 수렴을 향상시키기 위해 분할-병합 이동을 포함한 MCMC를 활용하여 다양한 네트워크 유형에서 해석 가능하고 데이터 기반의 커뮤니티 탐지 결과를 도출한다.

ABSTRACT

We construct a novel class of stochastic blockmodels using Bayesian nonparametric mixtures. These model allows us to jointly estimate the structure of multiple networks and explicitly compare the community structures underlying them, while allowing us to capture realistic properties of the underlying networks. Inference is carried out using MCMC algorithms that incorporates sequentially allocated split-merge steps to improve mixing. The models are illustrated using a simulation study and a variety of real-life examples.

연구 동기 및 목표

• 다양한 교환 가능한 네트워크 간의 커뮤니티 구조를 동시에 추정할 수 있는 통계 모델을 개발하는 것.
• 네트워크 간의 커뮤니티 구조를 네트워크 구조와 그룹 할당의 불확실성을 고려하여 직접 비교할 수 있도록 하는 것.
• 커뮤니티 수가 데이터로부터 추론되며, 모형 선택 편향을 피할 수 있도록 스토하스틱 블록모델을 무한차원 설정으로 확장하는 것.
• 방향성, 무방향성, 이진, 카운트 값 네트워크 유형을 통합된 계층적 프레임워크 내에서 통합하는 것.
• 고차원 분할 공간에서 혼합 성능을 향상시키기 위해 순차적으로 할당된 분할-병합 MCMC 이동을 통해 사후 추출 효율성을 향상시키는 것.

제안 방법

• 각 네트워크에서 알려지지 않은 수이거나 잠재적으로 무한한 수의 커뮤니티를 允허하기 위해 분할에 대한 차이나 리스토랑 프로세스 사전분포를 사용한다.
• 네트워크별 매개변수를 그룹 수준의 분포를 통해 액터 간에 공유하는 계층 베이지안 모델을 적용한다.
• 특히 고차원 설정에서 효과적으로 작동하도록 네트워크 분할 공간에서의 혼합을 향상시키기 위해 순차적으로 할당된 분할-병합 이동을 포함한 MCMC를 적용한다.
• 그룹 간 간선 수의 충분통계량 기반 예측 분포를 사용하여 그룹 할당에 대한 조건부 사후분포를 유도한다.
• 방향성 및 무방향성 네트워크의 가능도를 각각 다른 형태의 간선 확률 모형 $p_\theta(\cdot)$로 표현하여 그룹 할당에 조건화한다.
• 예측 확률과 분할 구성에 대한 사전 밀도를 사용하여 메트로폴리스-헤스팅 수용 비율을 계산함으로써, 차원이 변하는 이동을 효율적으로 수행한다.

실험 결과

연구 질문

• RQ1 서로 다른 네트워크 간의 공통 및 차별적인 구조적 특성을 고려하면서도, 여러 네트워크의 커뮤니티 구조를 동시에 추정하는 방법은 무엇인가?
• RQ2 구조적 특성과 불확실성을 고려하여 네트워크 간 커뮤니티 구조를 통계적으로 원칙적으로 비교하는 효과적인 방법은 무엇인가?
• RQ3 이진, 카운트, 방향성, 무방향성 네트워크 유형을 하나의 일관된 프레임워크 내에서 모델링하는 방법은 무엇인가?
• RQ4 네트워크 블록모델의 복잡한 고차원 분할 공간을 탐색하는 데 가장 효과적인 MCMC 이동은 무엇인가?
• RQ5 커뮤니티 수가 알려져 있지 않거나 잠재적으로 많을 경우, 사후 추론의 안정성과 양호한 혼합 성능을 확보하는 방법은 무엇인가?

주요 결과

• 제안된 모형은 시뮬레이션 연구와 실제 데이터를 통해 여러 네트워크 간의 공통 및 차별적인 커뮤니티 구조를 성공적으로 식별하였다.
• 분할-병합 MCMC 이동의 포함으로 인해 분할 공간의 사후분포에서 혼합과 수렴이 크게 향상되었으며, 고차원 설정에서 표준 기반 샘플링보다 뛰어난 성능을 보였다.
• 네트워크의 밀도, 방향성, 데이터 유형이 다를 경우에도 정확한 커뮤니티 탐지가 가능하여 모형 잘못 설정에 대한 강건성을 입증하였다.
• 비모수 사전분포의 사용으로 커뮤니티 수가 사전 설정 없이 데이터로부터 추론 가능하여 모형 선택 편향을 감소시켰다.
• 사후 예측 검증을 통해 모형이 클러스터링과 차수 이질성과 같은 현실적인 네트워크 특성을 잘 포착하고 있음을 확인하였다.
• 유사한 네트워크 간의 정보를 의미 있는 방식으로 통합함으로써 독립적인 네트워크 분석에 비해 추정 정확도를 향상시켰다.