[论文解读] Modeling and detecting change in temporal networks via a dynamic degree corrected stochastic block model

James Wilson, Nathaniel T. Stevens+1 more|arXiv (Cornell University)|May 13, 2016

Advanced Database Systems and Queries被引用 5

一句话总结

本文提出一种结合统计过程监控的动态度校正随机块模型（DCSBM），用于检测时序网络中的结构变化。通过将Shewhart控制图与指数加权移动平均（EWMA）控制图应用于估计的DCSBM参数，该方法成功识别出1867至2015年美国参议院共投票网络中网络结构的显著变化，检测到两党合作与极化加剧的时期。

ABSTRACT

In many applications it is of interest to identify anomalous behavior within a dynamic interacting system. Such anomalous interactions are reflected by structural changes in the network representation of the system. We propose and investigate the use of a dynamic version of the degree corrected stochastic block model (DCSBM) to model and monitor dynamic networks that undergo a significant structural change. We apply statistical process monitoring techniques to the estimated parameters of the DCSBM to identify significant structural changes in the network. Application of our surveillance strategy to the dynamic U.S. Senate co-voting network reveals that we are able to detect significant changes in the network that reflect both times of cohesion and times of polarization among Republican and Democratic party members. These findings provide valuable insight about the evolution of the bipartisan political system in the United States. Our analysis demonstrates that the dynamic DCSBM monitoring procedure effectively detects local and global structural changes in dynamic networks. The DCSBM approach is an example of a more general framework that combines parametric random graph models and statistical process monitoring techniques for network surveillance.

研究动机与目标

• 开发一种可扩展的框架，利用统计过程监控检测动态网络中的结构异常。
• 解决在时序网络中识别社区结构与连通模式随时间发生显著变化的挑战。
• 将该方法应用于真实世界数据，特别是美国参议院共投票网络，以揭示具有历史意义的网络变化。
• 展示将参数化随机图模型与SPM技术结合用于在线网络监控的有效性。
• 提供一种可推广的方法，适用于除DCSBM与Shewhart/EWMA控制图之外的多种动态网络模型与控制图类型。

提出的方法

• 使用动态度校正随机块模型（DCSBM）的变体，对具有社区结构和异质连通性的时序演化网络进行建模。
• 通过最大似然估计法估计DCSBM参数——包括社区归属、社区间连接概率以及节点特定的度参数。
• 应用统计过程监控（SPM）技术，特别是Shewhart控制图与指数加权移动平均（EWMA）控制图，对估计参数进行检测，以识别显著变化。
• 随时间监控参数估计值，当偏离超过控制限值时即标记为结构变化点。
• 采用阶段I估计方法，在在线监控开始前建立受控状态下的参数分布。
• 通过已知变化点的模拟验证该方法，并将其应用于历史美国参议院共投票网络，以检测真实世界中的变化。

实验结果

研究问题

• RQ1 结合动态DCSBM与SPM能否检测时序网络中的有意义结构变化？
• RQ2 该方法在识别现实世界动态网络中社区结构与连通模式变化方面的有效性如何？
• RQ3 DCSBM参数中检测到的变化是否与美国参议院共投票网络中的已知历史事件相对应？
• RQ4 不同SPM方法（Shewhart与EWMA）在检测网络参数变化方面表现如何比较？
• RQ5 该方法在检测网络结构中小到中等程度变化时，其统计检验力在多大程度上得以保持？

主要发现

• 该方法成功检测到美国参议院共投票网络中两党合作与极化加剧的时期，尤其在重大政治事件期间。
• Shewhart与EWMA控制图在识别结构变化方面表现优异，平均运行长度（ARL）值表明在受控条件下误报率较低。
• 当社区间连接概率发生ε = 0.10的变化时，ARL平均值分别降至2.67（Shewhart）与2.36（EWMA），表明对大尺度变化具有高敏感性。
• 该方法在1994年共和党革命期间检测到显著的结构转变，与已知的政治重组及党派立场投票增强一致。
• 在模拟实验中，该方法对社区合并与分裂事件具有高检测功效，尤其当变化幅度（ε或τ）增大时。
• 在50个节点的网络中检测社区分裂事件的平均ARL为m=25时220.6，m=50时169.5，表明阶段I样本越大，检测能力越强。