[論文レビュー] Learning Continuous-Time Social Network Dynamics

Yu Fan, Christian R. Shelton|arXiv (Cornell University)|May 9, 2012

Bayesian Modeling and Causal Inference参考文献 13被引用数 14

ひとこと要約

本稿では、動的ソーシャルネットワークの進化をモデル化するための連続時間ベイジアンネットワーク（CTBN）ベースのフレームワークを提案する。MCMCに基づく期待値最大化を用いたパrameter推定により、従来のモーメント法に比べて優れた性能を発揮する。本モデルは、間接的かつ非同期的なリンク観測に対応するよう拡張され、合成データおよび実世界のネットワークデータにおいて、マルコフ連鎖モンテカルロ推論を用いて、より高い精度を達成している。

ABSTRACT

We demonstrate that a number of sociology models for social network dynamics can be viewed as continuous time Bayesian networks (CTBNs). A sampling-based approximate inference method for CTBNs can be used as the basis of an expectation-maximization procedure that achieves better accuracy in estimating the parameters of the model than the standard method of moments algorithmfromthe sociology literature. We extend the existing social network models to allow for indirect and asynchronous observations of the links. A Markov chain Monte Carlo sampling algorithm for this new model permits estimation and inference. We provide results on both a synthetic network (for verification) and real social network data.

研究の動機と目的

• CTBNを用いて、連続時間確率過程としてソーシャルネットワークダイナミクスをモデル化すること。
• 従来の社会学的モデルの限界を克服し、ネットワークリンクの間接的かつ非同期的観測を可能にする。
• 標準のモーメント法を上回るパrameter推定精度を実現する推論フレームワークを開発すること。
• 妥当性の確認のため合成ネットワークと、実用的有用性の検証のための実際のソーシャルネットワークデータを用いて、モデルを検証すること。

提案手法

• リンクの時間的進化を捉えるために、連続時間ベイジアンネットワーク（CTBN）としてソーシャルネットワークダイナミクスを形式化する。
• CTBNのサンプリングに基づく近似推論手法を適応し、期待値最大化によるパrameter学習を可能にする。
• ネットワークリンクの間接的・非同期的観測を扱えるようにCTBNモデルを拡張し、現実性を高める。
• 拡張されたモデル下での事後分布推定と推論を可能にするため、マルコフ連鎖モンテカルロ（MCMC）サンプリングアルゴリズムを実装する。
• MCMCを用いたEM手続きにより、より正確なパrameter推定を繰り返し改善し、精度が低いモーメント法を置き換える。
• 正しさの確認のため合成データ、実用的有用性の検証のための実際のソーシャルネットワークデータを用いて、フレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 CTBNを用いて、連続時間確率過程としてソーシャルネットワークダイナミクスを効果的にモデル化できるか？
• RQ2 CTBNにおけるMCMCに基づく推論は、ネットワークモデルパラメータ推定において、モーメント法と比べてどのように異なるか？
• RQ3 本モデルは、ネットワークリンクの間接的・非同期的観測をどの程度適応できるか？
• RQ4 提案されたフレームワークは、既存の手法と比較して、実世界のソーシャルネットワークデータにおける推定精度を向上させることができるか？
• RQ5 異なるネットワーク構造や観測パターンにおいて、推論手順はどの程度頑健か？

主な発見

• MCMCに基づく期待値最大化手順は、標準のモーメント法アルゴリズムよりも高いパrameter推定精度を達成する。
• 拡張されたCTBNモデルは、ネットワークリンクの間接的・非同期的観測を効果的に扱えることを確認した。
• 合成ネットワークでは、モデルが元のネットワークダイナミクスを正確に回復でき、推論アプローチの妥当性を裏付けた。
• 実際のソーシャルネットワークデータにおいては、動的リンク形成および解体のパターンを捉える性能が向上した。
• MCMCサンプリングアルゴリズムは、複雑な観測スキーム下でも信頼性の高い事後分布推論を可能にした。
• 結果から、CTBNは連続時間のソーシャルネットワーク進化をモデル化するための柔軟で正確なフレームワークであることが確認された。