[論文レビュー] Collective Diffusion Over Networks: Models and Inference

Akshat Kumar, Daniel Sheldon+1 more|arXiv (Cornell University)|Sep 26, 2013

Complex Network Analysis Techniques参考文献 21被引用数 12

ひとこと要約

本論文は、ノードの集計的活性化時刻とグループレベルのデータしか観測できないネットワークにおける集団的拡散プロセスをモデル化する新しいフレームワークを提案する。最適化に基づく推論手法を導入し、90％以上の精度と再現率を達成し、実際のインフルエンザ感染拡大データを用いた検証で、感染症の伝播を高精度にモデル化した。

ABSTRACT

Diffusion processes in networks are increasingly used to model the spread of information and social influence. In several applications in computational sustainability such as the spread of wildlife, infectious diseases and traffic mobility pattern, the observed data often consists of only aggregate information. In this work, we present new models that generalize standard diffusion processes to such collective settings. We also present optimization based techniques that can accurately learn the underlying dynamics of the given contagion process, including the hidden network structure, by only observing the time a node becomes active and the associated aggregate information. Empirically, our technique is highly robust and accurately learns network structure with more than 90% recall and precision. Results on real-world flu spread data in the US confirm that our technique can also accurately model infectious disease spread.

研究の動機と目的

• 集計データとノード活性化時刻しか観測できないネットワークにおける集団的拡散プロセスをモデル化すること。
• 限定的で集計された観測から、背後に隠れたネットワーク構造と伝播ダイナミクスを推定すること。
• 隠れたネットワークトポロジーと伝播パラメータを学習するための頑健な最適化ベースの手法を開発すること。
• 特に米国におけるインフルエンザ感染の実世界データを用いて、手法の妥当性を検証すること。
• 時刻ごとの活性化時刻とグループレベルのデータのみを用いて、社会的影響、野生動物の伝播、交通移動のモデリングにおける精度を向上させること。

提案手法

• 標準的なプロセスを拡張し、集計観測を伴う集団的状況に適応した一般化された拡散モデルを提案する。
• 観測されたノード活性化時刻と集計データから、ネットワーク構造と伝播パラメータを同時に推定する最適化フレームワークを用いる。
• モデル下での観測された活性化時刻の確率を最大化する、尤度に基づく推論アプローチを採用する。
• 推論問題を扱いやすくスケーラブルにするために、凸緩和技術を導入する。
• ネットワーク構造と伝播パラメータを反復的に最適化するための座標降下アルゴリズムを適用する。
• ノード活性化の確率を時間連続的フォーミュレーションでモデル化し、時間的ダイナミクスを捉える。

実験結果

リサーチクエスチョン

• RQ1 集計データとノード活性化時刻しか入手できない状況で、ネットワーク上の集団的拡散プロセスをどのようにモデル化できるか？
• RQ2 限定的観測から、隠れたネットワーク構造を正確に推定できる最適化手法は何か？
• RQ3 提案手法は、実世界の状況でも高い正確性と再現率でネットワークトポロジーを回復できるか？
• RQ4 モデルは、インフルエンザ感染のような実際の感染症伝播ダイナミクスをどれほど正確に捉えられるか？
• RQ5 野生動物の伝播や交通移動の応用分野へ、この手法はどの程度一般化可能か？

主な発見

• 集計データから、背後に隠れたネットワーク構造を90％以上の再現率と正確度で回復できた。
• 実験的評価により、多様な合成的および実世界のネットワーク構成において、頑健な性能を示した。
• 米国からの実際のインフルエンザ感染拡大データを用いた結果、疾患伝播の時間的ダイナミクスを正確に捉えた。
• 最適化に基づく推論フレームワークにより、部分的観測からネットワークトポロジーと伝播パラメータを効果的に学習できた。
• 構造回復と時間的予測精度の両面で、ベースライン手法を上回る性能を示した。
• 野生動物の伝播や交通移動を含む集団的伝播の応用分野に対しても、強力な一般化性能を示した。