[논문 리뷰] Latent Network Models to Account for Noisy, Multiply-Reported Social Network Data

Caterina De Bacco, Martina Contisciani외 11명|arXiv (Cornell University)|2021. 12. 21.

Complex Network Analysis Techniques인용 수 5

한 줄 요약

이 논문은 다수의 개인 보고서로부터 잠재된 네트워크 구조를 추정함으로써 소셜 네트워크 데이터의 노이즈와 상호성( reciprocity)을 고려하는 확률적 잠재 네트워크 모델을 제안한다. 변분 추론을 사용하여 보고자별 보고 편향과 상호 보고 경향성(상호성, mutuality)을 포착함으로써, 기존의 집계 방법이 간과하는 인도 및 니카라과 농촌 공동체 네트워크에서 뚜렷한 상호성 효과를 드러낸다.

ABSTRACT

Social network data are often constructed by incorporating reports from multiple individuals. However, it is not obvious how to reconcile discordant responses from individuals. There may be particular risks with multiply-reported data if people's responses reflect normative expectations -- such as an expectation of balanced, reciprocal relationships. Here, we propose a probabilistic model that incorporates ties reported by multiple individuals to estimate the unobserved network structure. In addition to estimating a parameter for each reporter that is related to their tendency of over- or under-reporting relationships, the model explicitly incorporates a term for ``mutuality,'' the tendency to report ties in both directions involving the same alter. Our model's algorithmic implementation is based on variational inference, which makes it efficient and scalable to large systems. We apply our model to data from 75 Indian villages collected with a name-generator design, and a Nicaraguan community collected with a roster-based design. We observe strong evidence of ``mutuality'' in both datasets, and find that this value varies by relationship type. Consequently, our model estimates networks with reciprocity values that are substantially different than those resulting from standard deterministic aggregation approaches, demonstrating the need to consider such issues when gathering, constructing, and analysing survey-based network data.

연구 동기 및 목표

• 설문 데이터에서 다수의 개인이 보고한 상충되는 소셜 네트워크 보고를 조율하는 데 도전하는 것.
• 관계를 과대 또는 과소 보고하는 경향을 반영한 보고자별 편향을 모델링하는 것.
• 다수의 보고자 간에 상호 관계(상호성, reciprocity)를 보고하는 경향을 명시적으로 고려하는 것.
• 노이즈가 많고 다수의 보고가 있는 데이터로부터 대규모 네트워크 재구성에 효율적이고 확장 가능한 추론 방법을 개발하는 것.
• 실제 마을 데이터셋을 사용하여 상호성과 보고 편향이 네트워크 구조에 미치는 영향을 입증하는 것.

제안 방법

• 모델은 다수의 노이즈가 있는 보고서로부터 잠재된 진짜 네트워크를 추론하기 위해 확률적 생성 프레임워크를 사용한다.
• 개별 보고자가 관계를 과대 또는 과소 보고하는 경향을 모델링하기 위해 보고자별 파라미터를 도입한다.
• 별도의 상호성 파라미터는 보고자가 한 방향의 관계만 보고하더라도 상호 관계를 보고하는 경향을 캡처한다.
• 효율적이고 확장 가능한 사후분포 근사화를 위해 변분 추론을 사용하여 대규모 네트워크에 적용할 수 있도록 한다.
• 가능도 함수는 보고자별 보고 확률과 상호 보고 항을 조합하여 네트워크 구조와 보고 편향을 동시에 추정한다.
• 평균장 변분 추론을 사용해 반복적으로 파라미터를 업데이트함으로써 주변 가능도의 하한을 최대화한다.

실험 결과

연구 질문

• RQ1 개별 보고 편향은 집계된 소셜 네트워크 데이터의 정확성에 어떤 영향을 미치는가?
• RQ2 다중 보고된 네트워크 데이터에서 상호성(상호 관계 보고)은 어느 정도 존재하는가?
• RQ3 다양한 관계 유형은 자가 보고된 네트워크에서 상호성의 강도에 어떤 영향을 미치는가?
• RQ4 추론된 잠재 네트워크 구조는 기존의 결정론적 집계 방법으로 얻어진 구조와 어떻게 다를까?
• RQ5 확장 가능한 확률적 모델이 설문 기반 네트워크 데이터의 노이즈와 상호성 문제를 효과적으로 교정할 수 있는가?

주요 결과

• 인도 마을과 니카라과 공동체 데이터셋 양쪽 모두에서 강력한 상호성 증거를 발견하여 체계적인 상호 보고 경향이 있음을 시사한다.
• 관계 유형에 따라 상호성이 유의미하게 다름을 보여, 보고 행동이 사회적 역할에 따라 균일하지 않음을 시사한다.
• 표준 결정론적 집계 방법으로부터 도출된 상호성 값과 모델이 추정한 값 간의 상당한 차이를 확인하여, 기존 방법의 편향 위험을 드러낸다.
• 보고자별 편향 파라미터는 체계적인 과대 또는 과소 보고 경향을 드러내며, 개인 간 차이가 있음을 보여준다.
• 변분 추론 구현이 대규모 네트워크 데이터셋에서 효율적이고 확장 가능한 추론을 가능하게 하여 실용적 적용을 지원한다.
• 결과적으로 상호성과 보고 편향을 간과할 경우, 특히 주관적 또는 인식 기반 네트워크 데이터에서 왜곡된 네트워크 구조가 유도됨을 입증한다.