[논문 리뷰] Systematic assessment of the quality of fit of the stochastic block model for empirical networks

Felipe Vaca-Ramírez, Tiago P. Peixoto|arXiv (Cornell University)|2022. 01. 05.

Complex Network Analysis Techniques참고 문헌 161인용 수 11

한 줄 요약

이 연구는 사후 예측 모델 검증을 통해 275개의 실질적 네트워크에서 확률적 블록 모델(SBM)을 체계적으로 평가한다. 관측된 네트워크 특성과 생성된 특성 간의 비교를 통해 수행된다. SBM은 대부분의 네트워크에서 잘 맞는 편이지만, 높은 지름과 느린 혼합 속도를 가지는 네트워크에서는 어려움을 겪는다. 반면 삼각형이 많은 네트워크는 자주 잘 포괄되며, 이는 단순한 기술자표가 SBM의 적합성 예측과 모델 확장 방향을 안내할 수 있음을 시사한다.

ABSTRACT

We perform a systematic analysis of the quality of fit of the stochastic block model (SBM) for 275 empirical networks spanning a wide range of domains and orders of size magnitude. We employ posterior predictive model checking as a criterion to assess the quality of fit, which involves comparing networks generated by the inferred model with the empirical network, according to a set of network descriptors. We observe that the SBM is capable of providing an accurate description for the majority of networks considered, but falls short of saturating all modeling requirements. In particular, networks possessing a large diameter and slow-mixing random walks tend to be badly described by the SBM. However, contrary to what is often assumed, networks with a high abundance of triangles can be well described by the SBM in many cases. We demonstrate that simple network descriptors can be used to evaluate whether or not the SBM can provide a sufficiently accurate representation, potentially pointing to possible model extensions that can systematically improve the expressiveness of this class of models.

연구 동기 및 목표

• 실제 네트워크에 대한 확률적 블록 모델(SBM)의 절대적 적합도를 상대적 성능을 넘어서 평가하기 위해.
• 실제 세계 네트워크 구조를 표현하는 데 있어 SBM의 체계적 한계를 규명하기 위해.
• 희박하고 복잡한 네트워크에서 SBM이 잘 포괄하지 못하는 네트워크 특성을 특정하기 위해.
• 주어진 네트워크에 대해 SBM이 충분한 표현을 제공할지 예측할 수 있는 단순하고 실천 가능한 기술자표를 개발하기 위해.
• SBM이 포괄하지 못하는 구조적 특성을 규명함으로써 향후 모델 확장을 이끌기 위해.

제안 방법

• 실제 네트워크의 네트워크 기술자표를 SBM에서 추론된 모델로부터 생성된 네트워크 기술자표와 비교하기 위해 사후 예측 모델 검증을 활용함.
• 과적합을 방지하기 위해 비모수적 계층적 사전분포를 사용한 미세조정된 도메인 기반 확률적 블록 모델(DCSBM)을 사용하여 모델 파라미터를 추론함.
• 다중 그래프 모델이 고국소밀도 네트워크에서 가지는 한계를 극복하기 위해 잠재 다중그래프 모델을 적용하여 단순 그래프를 더 잘 근사함.
• 분할 및 파rameter의 사후분포를 탐색하기 위해 병합-분할 알고리즘을 사용한 마르코프 체인 몬테카를로(MCMC) 샘플링을 수행함.
• 차이를 탐지하기 위해 실질적 및 합성 네트워크에서 15개의 네트워크 기술자표(예: 지름, 군집계수, 혼합 시간)를 계산함.
• 모델 복잡성과 통계적 증거의 균형을 맞추기 위해 베이지안 추론을 사용하여 압축되고 과적합되지 않은 추론을 보장함.

실험 결과

연구 질문

• RQ1 다양한 분야의 실질적 네트워크 구조에 대해 확률적 블록 모델(SBM)이 얼마나 정확하게 표현할 수 있는가?
• RQ2 SBM이 체계적으로 잘 포괄하지 못하는 네트워크 특성은 무엇이며, 그 배경이 되는 구조적 원인은 무엇인가?
• RQ3 간단한 네트워크 기술자표가 주어진 네트워크에 대해 SBM이 충분한 적합도를 제공할지 신뢰성 있게 예측할 수 있는가?
• RQ4 삼각형 수가 많은 네트워크에서 SBM의 성능은 어떠한가? 이는 모델 적합성의 신뢰성 있는 지표인가?
• RQ5 지름이나 혼합 시간과 같은 어떤 구조적 특성이 SBM 적합 실패와 가장 강하게 상관되는가?

주요 결과

• 연구된 275개의 실질적 네트워크 중 다수에 대해 SBM이 잘 맞으며, 대부분의 경우 핵심적인 구조적 특성을 정확히 포괄한다.
• 큰 지름과 느린 무작위 걷기 혼합 속도를 가지는 네트워크는 SBM에 의해 체계적으로 잘 묘사되지 않으며, 특히 교통망과 일부 경제 네트워크에서 두드러진다.
• 일반적인 가정과는 반대로 삼각형이 많은 네트워크는 자주 잘 포괄되며, 이는 삼중 폐쇄가 근본적인 제약가능성이 아님을 시사한다.
• 지름과 혼합 시간과 같은 단순한 네트워크 기술자표는 SBM 적합도 품질을 효과적으로 예측할 수 있으며, 모델 선택에 실용적인 도구를 제공한다.
• SBM은 장거리 연결성과 느린 탐색 역학과 관련된 구조적 특성을 포괄하지 못하며, 이는 이러한 성질을 명시적으로 모델링할 수 있는 확장을 필요로 함을 시사한다.
• 사후 예측 검증을 통한 잔여 차이를 통해 특정한 구조적 한계를 드러내어, 타겟된 모델 개선을 가능하게 한다.