[논문 리뷰] Using Social Dynamics to Make Individual Predictions: Variational Inference with a Stochastic Kinetic Model

Zhen Xu, Wen Dong외 1명|arXiv (Cornell University)|2016. 11. 07.

Opinion Dynamics and Social Influence참고 문헌 13인용 수 8

한 줄 요약

이 논문은 대규모 사회 시스템 내 개인 수준의 질병 전파를 센서 네트워크 데이터에서 유도된 동적 상호작용을 모델링함으로써, 확률적 운동 모델을 사용하는 변분 추론 알고리즘 VISKM을 제안한다. 이 방법은 인구 수에 대해 선형 계산 복잡도를 가지며, 샘플링 기반 방법보다 속도와 AUC-ROC 성능 모두에서 뛰어난 확장 가능한 정확한 추론을 가능하게 한다. epidemic dynamics 데이터에서의 성능을 평가하였다.

ABSTRACT

Social dynamics is concerned primarily with interactions among individuals and the resulting group behaviors, modeling the temporal evolution of social systems via the interactions of individuals within these systems. In particular, the availability of large-scale data from social networks and sensor networks offers an unprecedented opportunity to predict state-changing events at the individual level. Examples of such events include disease transmission, opinion transition in elections, and rumor propagation. Unlike previous research focusing on the collective effects of social systems, this study makes efficient inferences at the individual level. In order to cope with dynamic interactions among a large number of individuals, we introduce the stochastic kinetic model to capture adaptive transition probabilities and propose an efficient variational inference algorithm the complexity of which grows linearly --- rather than exponentially --- with the number of individuals. To validate this method, we have performed epidemic-dynamics experiments on wireless sensor network data collected from more than ten thousand people over three years. The proposed algorithm was used to track disease transmission and predict the probability of infection for each individual. Our results demonstrate that this method is more efficient than sampling while nonetheless achieving high accuracy.

연구 동기 및 목표

• 대규모 시계열 상호작용 데이터를 활용하여 사회 역학에서 상태 변화 사건(예: 질병 전파)의 효율적이고 개인 수준의 예측을 가능하게 하기 위해.
• 대규모 수의 상호작용을 하는 개인이 있는 시스템에서 정확한 추론의 계산 불가능성을 해결하기 위해.
• 기존의 샘플링 방법이 초과 선형적으로 증가하는 것과는 달리, 인구 수에 대해 선형적으로 증가하는 확장 가능한 추론 방법을 개발하기 위해.
• 10,000명 이상의 개인으로부터 수집된 무선 센서 네트워크를 통한 실세계의 전염병 역학 데이터를 바탕으로 방법을 검증하기 위해.
• 제안된 접근법이 지속적 샘플링(Gibbs sampling)과 입자 필터링보다 더 높은 정확도와 효율성을 확보하고 있음을 보여주기 위해.

제안 방법

• 논문은 개인 간의 동적 상호작용을 기반으로 상태 간 전이 확률(예: 감염 가능성, 감염 상태)을 표현하기 위해 확률적 운동 모델(SKM)을 도입한다.
• 상호작용이 발생할 때 상태 전이가 일어나는 이산 이벤트이자 연속 시간 모델을 설정하며, 이는 화학 반응과 유사하다.
• 숨겨진 상태에 대한 사후 분포를 근사하기 위해 기대치 전파 원리를 기반으로 한 변분 추론 알고리즘을 개발한다.
• 다수의 개인이 동시에 상태를 변화시키는 상황을 다룰 수 있도록 조정된 평균장 근사법을 사용하여 기존의 변분 평균장 방법의 한계를 극복한다.
• 추론 복잡도가 개인 수에 대해 선형으로 증가함을 증명하여 대규모 시스템에 대한 확장성을 확보한다.
• 시간에 따른 정방향 및 역방향 전파를 활용하여 예측, 스무딩, 확장 작업을 지원한다.

실험 결과

연구 질문

• RQ1 확률적 운동 모델이 대규모 시스템에서 동적 사회적 상호작용을 효과적으로 포착하고 개인 수준의 정확한 예측을 가능하게 할 수 있는가?
• RQ2 제안된 변분 추론 알고리즘이 샘플링 기반 방법과 비교할 때 정확도와 계산 효율성 측면에서 어떻게 성능을 내는가?
• RQ3 알고리즘이 인구 수에 대해 선형으로 확장되며, 대규모 전염병 역학에서 높은 정확도를 유지할 수 있는가?
• RQ4 부분 관측 데이터에서 개인의 감염 확률과 집단 통계량(예: 감염자 총수)을 고정밀도로 추론할 수 있는가?
• RQ5 제한된 정보가 있는 상황에서 스무딩(역방향 추론) 및 확장(누락된 상태 추론) 작업에서의 성능은 어떠한가?

주요 결과

• VISKM는 Social Evolution 및 Dartmouth 데이터셋에서 예측, 스무딩, 확장 작업 전반에 걸쳐 지속적 샘플링과 입자 필터링보다 더 높은 ROC 곡선 아래 면적(AUC)을 달성하였다.
• 알고리즘은 뛰어난 확장성을 보였으며, 계산 시간이 개인 수에 대해 선형으로 증가하는 반면, 샘플링 방법은 초과 선형으로 증가하였다.
• Social Evolution 데이터셋에서 60명에 대해 VISKM는 0.78초가 소요되었고, 10,000회 반복한 지속적 샘플링은 7,820초가 소요되었다.
• 집단 통계 추론 과정에서, VISKM는 단지 20%의 데이터만으로도 샘플링 방법보다 감염자 총수를 더 정확하게 추정하였다.
• 스무딩 성능는 과거와 미래의 관측치를 모두 활용한 덕분에 예측 성능를 略로 뛰어넘었다.
• 제한된 정보가 있는 도전적인 확장 작업에서도 VISKM는 높은 AUC-ROC 값을 통해 강력한 분류 성능(판별 능력)을 유지하였다.