[论文解读] A Mutually Exciting Latent Space Hawkes Process Model for Continuous-time Networks
本文提出了潜在空间霍克斯（LSH）模型，一种连续时间网络生成模型，通过将单一潜在空间与相互激发的霍克斯过程相结合，捕捉自激发和互激发效应。该模型在现有方法中实现了更优的预测准确率和更强的可解释性，尤其在建模具有稳定、有意义节点嵌入的动态关系事件方面表现突出。
Networks and temporal point processes serve as fundamental building blocks for modeling complex dynamic relational data in various domains. We propose the latent space Hawkes (LSH) model, a novel generative model for continuous-time networks of relational events, using a latent space representation for nodes. We model relational events between nodes using mutually exciting Hawkes processes with baseline intensities dependent upon the distances between the nodes in the latent space and sender and receiver specific effects. We demonstrate that our proposed LSH model can replicate many features observed in real temporal networks including reciprocity and transitivity, while also achieving superior prediction accuracy and providing more interpretable fits than existing models.
研究动机与目标
- 开发一种更可解释且稳定的连续时间关系事件网络生成模型。
- 解决多潜在空间模型（如双潜在空间，DLS模型）中可解释性下降和不稳定性的问题。
- 在单一潜在空间框架中同时整合自激发与互激发，以提升对动态交互的建模能力。
- 通过潜在空间中具有意义的节点嵌入，实现对网络结构的探索性分析。
- 在保持模型可解释性的同时，展示在预测任务中的竞争力表现。
提出的方法
- LSH模型使用单一潜在空间，其中节点间的接近程度反映其交互可能性，欧氏距离影响基线强度。
- 采用双变量相互激发的霍克斯过程对关系事件进行建模，包含自激发和互激发项。
- 基线强度参数化为潜在空间距离的逻辑函数，并引入发送方和接收方特定的影响因素。
- 模型采用指数核函数的和作为衰减函数，提升对参数选择的鲁棒性。
- 通过最大似然估计进行参数估计，优化对象包括潜在位置、基线参数和激发参数。
- 模型可通过潜在空间位置的可视化，实现对网络结构的灵活解释。
实验结果
研究问题
- RQ1单一潜在空间表示与霍克斯过程结合，是否能比多潜在空间模型更可解释地建模诸如互惠性和传递性等复杂动态网络特征？
- RQ2与仅依赖互激发的模型相比，引入自激发是否能提升预测准确率和模型稳定性？
- RQ3潜在空间结构在多大程度上能揭示有意义的网络组织结构，例如冲突网络中的地缘政治聚类？
- RQ4LSH模型在链路预测和事件生成任务中是否能达到与最先进模型相当的性能？
- RQ5基线强度的不同参数化方式（正斜率与负斜率）对潜在空间嵌入的可解释性有何影响？
主要发现
- LSH模型在预测准确率和拟合稳定性方面均优于DLS模型，尤其在捕捉自激发和互激发方面表现更优。
- 在军事化争端数据集中，正斜率模型将以色列和黎巴嫩等高活跃国家置于潜在空间的中心位置，反映出其高频率的互动。
- 负斜率模型则将高活跃国家置于外围，表明模型的参数化方式可反映不同的结构解释。
- 估计的自激发参数（正斜率模型中α₁ = 0.77）显著高于互激发参数（α₂ = 0.13），表明自激发效应更强。
- 模型成功在现实世界数据集中复现了传递性和互惠性等关键网络特征，包括社交网络和市场互动网络。
- 潜在空间可视化揭示了地理聚类现象，同一洲的国家在嵌入空间中通常位置接近。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。