[论文解读] A Dynamic Edge Exchangeable Model for Sparse Temporal Networks

Yin Cheng Ng, Ricardo Silva|arXiv (Cornell University)|Oct 11, 2017

Data Management and Algorithms参考文献 10被引用 4

一句话总结

本文提出了一种用于稀疏时间网络的动态边交换模型（ATTAS），通过紧凑的潜在空间联合捕捉稀疏性、时变社区结构和社会影响。该模型在真实数据上实现了优越的链接预测准确率和可解释的社区检测，优于动态块模型和基线方法，同时参数更少、计算成本更低。

ABSTRACT

We propose a dynamic edge exchangeable network model that can capture sparse connections observed in real temporal networks, in contrast to existing models which are dense. The model achieved superior link prediction accuracy on multiple data sets when compared to a dynamic variant of the blockmodel, and is able to extract interpretable time-varying community structures from the data. In addition to sparsity, the model accounts for the effect of social influence on vertices' future behaviours. Compared to the dynamic blockmodels, our model has a smaller latent space. The compact latent space requires a smaller number of parameters to be estimated in variational inference and results in a computationally friendly inference algorithm.

研究动机与目标

• 解决现有动态网络模型假设连接密集、无法捕捉时间网络中真实稀疏性的局限性。
• 以计算高效的方式对具有混合成员属性的时变社区结构进行建模。
• 在时间上整合对顶点行为的社会影响效应，以更好地预测未来交互。
• 开发一种潜在空间比动态块模型更小的模型，以减少参数数量并提高推理效率。
• 支持随时间推移的顶点集增长，反映现实世界网络动态中新实体的加入。

提出的方法

• 该模型在每个时间点使用边交换性，自然支持稀疏网络结构，避免了传统交换模型常见的密集连接。
• 通过潜在高斯马尔可夫链将时间上的边交换边际分布耦合，以建模社会影响和顶点行为的时序演化。
• 采用泊松顶点生成过程，使网络能够随时间增长，无需固定顶点集合。
• 采用具有时变社区分配的混合成员随机块模型框架，以推断可解释的、动态演化的社区结构。
• 使用变分推断进行可扩展的参数估计，利用紧凑的潜在空间降低计算成本。
• 该模型在时间网络快照上端到端训练，基于顶点参与模式按边推断社区类型。

实验结果

研究问题

• RQ1 动态网络模型能否同时捕捉时间网络中的稀疏性、社区结构和社会影响？
• RQ2 边交换性如何使模型能够对传统模型失效的稀疏时间网络进行建模？
• RQ3 与随机游走或静态模型相比，整合社会影响在多大程度上提升了链接预测性能？
• RQ4 该模型能否在无需先验标注的情况下，从未标注的真实世界数据中推断出可解释的、时变的社区结构？
• RQ5 与动态块模型相比，该模型紧凑的潜在空间在计算效率和预测准确率方面表现如何？

主要发现

• ATTAS 模型在 ENRON、TRADING 和 COLLEGE 数据集上实现了优越的链接预测准确率，AUC 分数在 0.75 到 0.85 之间，显著优于动态块模型和基线方法。
• 在 ENRON 数据集上，ATTAS 相较于 RW 基线方法表现出显著优势，表明建模社会影响对准确预测至关重要。
• 该模型成功推断出与 109 届美国国会议员投票网络中真实政治派系一致的社区结构，边颜色反映了与政党一致的聚类。
• 社区规模和构成随时间演变，反映出参议员行为和政治联盟的变化，例如布什时代共和党占主导地位。
• 该模型表现出高度可解释性：预测的边不仅准确，还与推断的社区成员身份相关联，而频率基线方法则不具备此特性。
• 紧凑的潜在空间减少了需估计的参数数量，从而实现了计算高效的推理算法，适用于大规模时间网络。