[论文解读] A Perfect Sampling Method for Exponential Random Graph Models

Carter T. Butts|arXiv (Cornell University)|Oct 8, 2017

Markov Chains and Monte Carlo Methods参考文献 4被引用 5

一句话总结

本文提出了一种用于指数族随机图模型（ERGMs）的完美抽样方法，采用改进的从过去耦合（CFTP）算法，实现了具有非平凡边依赖关系的复杂模型的精确抽样。该方法成功应用于马尔可夫图，并可扩展至非指数参数化的有偏网络模型，为近似模拟方法提供了严格的替代方案。

ABSTRACT

Generation of deviates from random models with non-trivial edge dependence is an increasingly important problem. Here, we introduce a method which allows perfect sampling from random models in exponential family form (exponential family random graph models), using a variant of Coupling From The Past. We illustrate the use of the method via an application to the Markov graphs, a family that has been the subject of considerable research. We also show how the method can be applied to a variant of the biased net models, which are not exponentially parameterized.

研究动机与目标

• 解决从具有非平凡边依赖关系的指数族随机图模型中生成精确偏差样本的挑战。
• 开发一种确保完美抽样（无马尔可夫链蒙特卡洛偏差）的方法，用于ERGMs。
• 将完美抽样方法的应用范围从指数族模型扩展至非指数参数化的变体，如有偏网络模型。
• 通过在马尔可夫图和有偏网络模型变体上的应用，证明该方法的可行性和准确性。

提出的方法

• 该方法采用从过去耦合（CFTP）的一种变体，这是一种完美模拟技术，通过将多个马尔可夫链向后时间耦合直至其合并，确保精确抽样。
• 该算法构建了一个耦合机制，尊重指数族模型的充分统计量，确保所有链最终耦合至同一状态。
• 对于指数族以外的模型（如变体有偏网络模型），该方法调整了耦合逻辑，以处理非指数参数化，同时保持精确性。
• 该方法采用回溯耦合策略，即从一个共同的过去时间点开始反向运行链，直至所有路径合并为单一状态。
• 该方法依赖单调性和随机序性质，以保证合并意味着样本来自平稳分布。
• 通过在马尔可夫图和非指数有偏网络模型变体上的模拟验证了实现的正确性。

实验结果

研究问题

• RQ1 能否为具有复杂边依赖关系的指数族随机图模型构建一种完美抽样方法？
• RQ2 如何调整从过去耦合（CFTP）以确保在ERGMs中实现精确抽样，而无需依赖渐近收敛？
• RQ3 能否将完美抽样框架扩展至指数族以外的模型，如具有非指数参数化的有偏网络模型？
• RQ4 将完美抽样应用于现实网络模型（如马尔可夫图）时，其计算和实际限制是什么？
• RQ5 与标准MCMC方法相比，该方法在准确性和运行时间方面的表现如何？

主要发现

• 所提出的基于CFTP的方法成功实现了从指数族随机图模型中精确抽样，消除了基于MCMC模拟的固有偏差。
• 该方法在耦合过程中实现了合并，证实最终状态精确服从目标ERGM分布。
• 该方法适用于马尔可夫图，这是一类具有非平凡边依赖关系的成熟模型，证明了其实际应用价值。
• 该方法可扩展至有偏网络模型的变体，这些模型并非指数参数化，表明其在指数族之外也具有更广泛的应用潜力。
• 在单调性和随机优势条件下，该算法保持正确性，确保理论有效性。
• 该方法为近似模拟提供了一种严格替代方案，尤其在抽样偏差影响推断的场景中具有重要价值。