[論文レビュー] Detecting Latent Communities in Network Formation Models

Shujie Ma, Liangjun Su+1 more|Singapore Management University Institutional Knowledge (InK) (Singapore Management University)|May 7, 2020

Complex Network Analysis Techniques参考文献 72被引用数 7

ひとこと要約

本稿では、潜在的コミュニティ構造とエッジ単位の固定効果を備えたロジスティック非巡回ネットワーク形成モデルを提案し、核ノルム正則化、サンプル分割、反復ロジスティック回帰、スペクトルクラスタリングを組み合わせたマルチステップ手順を用いて、期待次数が log n よりも速いかつそれ以上の速度で増加する場合に正確なコミュニティ回復を達成する。この手法により、観察されない異質性が存在するネットワークにおけるコミュニティ固有のハモフィリー係数の一貫した推定が可能になる。

ABSTRACT

This paper proposes a logistic undirected network formation model which allows for assortative matching on observed individual characteristics and the presence of edge-wise fixed effects. We model the coefficients of observed characteristics to have a latent community structure and the edge-wise fixed effects to be of low rank. We propose a multi-step estimation procedure involving nuclear norm regularization, sample splitting, iterative logistic regression and spectral clustering to detect the latent communities. We show that the latent communities can be exactly recovered when the expected degree of the network is of order log n or higher, where n is the number of nodes in the network. The finite sample performance of the new estimation and inference methods is illustrated through both simulated and real datasets.

研究の動機と目的

• 観察されたハモフィリー、観察されないエッジ単位の固定効果、および潜在的コミュニティ構造を伴うネットワーク形成をモデル化すること。
• コミュニティメンバーシップが観察されない状況において、潜在的コミュニティを検出する一貫した推定手順を開発すること。
• 観察されない異質性が存在する状況でも、コミュニティ固有のハモフィリー係数に関する推論を可能にすること。
• 大規模ネットワークにおいて正確なコミュニティ回復が可能となる条件を確立すること。
• 共変数と低ランク固定効果を組み込んだステーショナリックブロックモデルの拡張を、統計的一致性を保証する形で行うこと。

提案手法

• 観察された特徴量の回帰係数が潜在的コミュニティによって変化し、エッジ単位の固定効果が低ランクであるロジスティックネットワーク形成モデルを定式化する。
• 核ノルム正則化を用いて低ランク係数行列を推定し、初期のコミュニティ検出に特異値分解（SVD）を活用する。
• 依存性がある状況下でも一貫した特異ベクトル推定を保証するため、サンプル分割を採用し、安定性を向上させ、バイアスを低減する。
• Frobeniusノルムの一貫性を超えて特異ベクトル推定を精緻化するため、反復的に行われる行および列単位のロジスティック回帰を用いる。
• 精緻化された特異ベクトル推定値に対してK-meansクラスタリングを適用し、ノードをコミュニティに割り当てる。
• 最適化問題を効率的に解くために、核ノルムペナルティを伴う増大ラグランジュ乗数（ALM）アルゴリズムを実装する。

実験結果

リサーチクエスチョン

• RQ1 観察されたハモフィリーと観察されないエッジ単位の異質性が共存する状況において、ネットワーク形成における潜在的コミュニティ構造を一貫して回復できるか。
• RQ2 潜在的コミュニティの正確な回復に必要な最小のネットワークスパarsity（期待次数の観点から）は何か。
• RQ3 ロジスティックネットワーク形成フレームワークにおいて、低ランクエッジ単位の固定効果をどのようにモデル化・推定できるか。
• RQ4 特異ベクトルの反復的精緻化は、標準的なスペクトルクラスタリングを上回るコミュニティ検出を可能にするか。
• RQ5 コミュニティ回復後に推定されたコミュニティ固有回帰係数の漸近的分布は何か。

主な発見

• 期待次数が log n よりも速いかつそれ以上の速度で発散する場合、潜在的コミュニティの正確な回復が達成される。
• サンプル分割、反復的精緻化、核ノルム正則化を特徴とする本手法のマルチステップ手順により、コミュニティ検出において強い一貫性が保証される。
• ネットワークおよびデザイン行列に正則性条件が課せられる限り、ノード数nが増加してもコミュニティ構造は正常に回復される。
• 推定されたコミュニティ固有係数の漸近的分布は正規分布であるため、コミュニティ回復後の有効な推論が可能になる。
• 反復的精緻化ステップにより、初期のSVDに比べて特異ベクトル推定の精度が顕著に向上し、特に有限標本において顕著である。
• 核ノルムペナルティを伴うALMアルゴリズムにより、高次元最適化問題が効率的に解かれ、数値的安定性と収束性が保証される。