[論文レビュー] Dynamic Network Embeddings for Network Evolution Analysis

Chuanchang Chen, Yubo Tao+1 more|arXiv (Cornell University)|Jun 24, 2019

Complex Network Analysis Techniques参考文献 37被引用数 6

ひとこと要約

本稿では、ランダムウォークと動的ベルヌーイ埋め込みを用いて、離散時刻におけるネットワーク埋め込みにおいて構造的近接性と時間的連続性の両方を保持する動的ネットワーク埋め込み手法を提案する。時間ステップ間の埋め込みアライメントを必要とせず、リンク予測および進化するノード検出において最先端の性能を達成する。

ABSTRACT

Network embeddings learn to represent nodes as low-dimensional vectors to preserve the proximity between nodes and communities of the network for network analysis. The temporal edges (e.g., relationships, contacts, and emails) in dynamic networks are important for network evolution analysis, but few existing methods in network embeddings can capture the dynamic information from temporal edges. In this paper, we propose a novel dynamic network embedding method to analyze evolution patterns of dynamic networks effectively. Our method uses random walk to keep the proximity between nodes and applies dynamic Bernoulli embeddings to train discrete-time network embeddings in the same vector space without alignments to preserve the temporal continuity of stable nodes. We compare our method with several state-of-the-art methods by link prediction and evolving node detection, and the experiments demonstrate that our method generally has better performance in these tasks. Our method is further verified by two real-world dynamic networks via detecting evolving nodes and visualizing their temporal trajectories in the embedded space.

研究の動機と目的

• 進化するネットワークにおける時間的ダイナミクスを捉えることができない静的ネットワーク埋め込み手法の限界を克服すること。
• 動的ネットワークにおける離散的時間ステップにおいて、ノードの近接性と安定ノードの時間的連続性の両方を保持すること。
• 時間ステップ間の複雑な埋め込みアライメントを必要とせず、効果的な進化パターン分析を可能にすること。
• リンク予測や進化するノード検出などのタスクを、向上した性能でサポートすること。
• 進化するノードの時間的軌跡を可視化し、意味のあるネットワーク進化パターンを明らかにすること。

提案手法

• 各時間ステップにおけるノード間の構造的近接性を保持するために、動的ネットワーク上でのランダムウォークを適用する。
• アライメントを必要とせず共有のベクトル空間内で時刻に特化したノード表現を学習するために、動的ベルヌーイ埋め込みを用いる。
• 連続する時間ステップにおいて類似した埋め込みが保たれるようにすることで、安定ノードの時間的連続性を維持するようにモデルを学習する。
• 固定間隔と重複率を用いたスライディングウィンドウアプローチを活用して、離散的時間ネットワークスナップショットを構築する。
• 時間的エッジダイナミクスをモデル化するために、ノイズ対比推定の目的関数を用いて埋め込み空間を最適化する。
• 相互作用の順序を尊重する時間順ウォーク戦略を用いて、時間的エッジ情報を統合する。

実験結果

リサーチクエスチョン

• RQ1 動的ネットワーク埋め込み手法は、離散的時間動的ネットワークにおいて構造的近接性と時間的連続性の両方を保持できるか？
• RQ2 提案手法は、リンク予測タスクにおいて最先端の静的および動的埋め込み手法と比較してどのように性能を発揮するか？
• RQ3 本手法は、時間経過に伴って進化するノードをどの程度正確に検出・可視化できるか？
• RQ4 本手法は、現実世界のネットワークにおけるノード移動や役割変化といった意味のある進化パターンを明らかにできるか？
• RQ5 埋め込みアライメントを不要とする本手法は、動的ネットワーク解析における性能とロバスト性を向上させるか？

主な発見

• 提案手法は、最先端の静的および動的ネットワーク埋め込み手法と比較して、リンク予測において優れた性能を達成した。
• 既存手法を上回り、時間経過に伴い出現・消滅・接続パターンの変化を示すノードを効果的に検出できた。
• 学校の接触ネットワークでは、本手法が学校のスケジュール（休憩時間や昼食時間）と整合する進化パターンを正しく捉えた。
• 軌跡可視化により、Student 201とStudent 74がクラス間を移動し、昼食時間に相互作用していることが明らかになり、社会的クラスタリングや友人関係形成の可能性が示唆された。
• 電子メールネットワークでは、Researcher 90が初期に接続が少なく、後に新しい部署に移動した新参者として特定され、Researcher 328は時間経過とともに接続性が増加する中核メンバーとして特定された。
• 不活性なノードについても、時間ステップにわたって安定した埋め込みを維持しており、アライメントを必要としない時間的連続性の保持が有効に機能していることが示された。