[논문 리뷰] On consistency of model selection for stochastic block models

Jianwei Hu, Hong Qin외 2명|arXiv (Cornell University)|2016. 11. 04.

Complex Network Analysis Techniques참고 문헌 24인용 수 4

한 줄 요약

이 논문은 스토케스틱 블록 모델에서 커뮤니티 수를 일관적으로 추정하기 위한 베이지안 정보 기준(BIC)을 제안하며, 기존 방법들이 커뮤니티 수를 과소평가하거나 과대평가하는 경향이 있는 데 비해 이를 개선한다. 이는 일관성 조건이 모델 선택에 필수적임을 규명하고, 동질성과 비동질성 네트워크 모두에 대해 이론적 보장을 제공하며, 정도 보정된 변형까지 포함한다.

ABSTRACT

Estimating the number of communities is one of the fundamental problems in community detection. We re-examine the Bayesian paradigm for stochastic block models and propose a Bayesian information criterion,to determine the number of communities and show that the proposed estimator is consistent under mild conditions. The proposed criterion improves those used in Wang and Bickel (2016) and Saldana et al. (2017) which tend to underestimate and overestimate the number of communities, respectively. Along the way, we establish the Wilks theorem for stochastic block models. Moreover, we show that, to obtain the of model selection for stochastic block models, we need a so-called consistency condition. We also provide sufficient conditions for both homogenous networks and non-homogenous networks. The results are further extended to degree corrected stochastic block models. Numerical studies demonstrate our theoretical results.

연구 동기 및 목표

• 스토케스틱 블록 모델에서 커뮤니티 수를 추정하는 기본적인 과제를 해결하기 위해.
• 약한 정규성 조건 하에서 일관된 모델 선택을 보장하는 베이지안 정보 기준을 개발하기 위해.
• 추론을 위한 이론적 기반, 특히 윌크스 정리와 같은 결과를 확립하기 위해.
• 신뢰할 수 있는 커뮤니티 탐지에 필수적인 일관성 조건을 규명하고 형식화하기 위해.
• 결과를 정도 보정된 스토케스틱 블록 모델로 확장하고 수치적으로 검증하기 위해.

제안 방법

• 스토케스틱 블록 모델에 특화된 새로운 베이지안 정보 기준(BIC)을 제안하여 커뮤니티 수를 선택한다.
• 귀무가설 하에서 로그우도 비율의 점근적 분포를 도출하여, SBMs에 대한 윌크스 유사 정리를 확립한다.
• 모델 선택이 일관성이 있도록 만족되어야 할 일관성 조건을 도입하며, 이를 네트워크 구조와 연결한다.
• 동질성과 비동질성 네트워크를 모두 분석하여 각 경우에 대해 일관성에 충분한 조건을 제공한다.
• 유사한 조건 하에서 일관성을 유지하면서 프레임워크를 정도 보정된 스토케스틱 블록 모델로 확장한다.
• 수치 시뮬레이션을 통해 이론적 결과를 검증하고, 기존 방법보다 제안된 BIC가 뛰어나다는 것을 입증한다.

실험 결과

연구 질문

• RQ1 스토케스틱 블록 모델에서 커뮤니티 수를 일관되게 추정할 수 있는 베이지안 정보 기준을 구성할 수 있는가?
• RQ2 스토케스틱 블록 모델에서 일관된 모델 선택을 위해 필요한 이론적 조건은 무엇인가?
• RQ3 제안된 BIC는 기존 방법에 비해 커뮤니티 수 추정의 편향 측면에서 어떻게 비교되는가?
• RQ4 스토케스틱 블록 모델에서 윌크스 정리가 성립하는가? 그 추론에 대한 함의는 무엇인가?
• RQ5 제안된 프레임워크는 정도 보정된 스토케스틱 블록 모델로 확장 가능하며, 일관된 결과를 도출할 수 있는가?

주요 결과

• 제안된 BIC는 약한 정규성 조건 하에서도 커뮤니티 수를 일관되게 추정하며, 이전 방법들이 겪는 과소 및 과대 평가 문제를 피한다.
• 스토케스틱 블록 모델에 대해 윌크스 유사 정리를 확립하여, 귀무가설 하에서 로그우도 비율 통계량의 점근적 분포를 보여준다.
• 신뢰할 수 있는 모델 선택을 위해 필수적인 일관성 조건을 공식적으로 규명하였으며, 동질성 및 비동질성 네트워크에 대해 충분한 조건을 도출하였다.
• 정도 보정된 스토케스틱 블록 모델에서도 일관성이 유지되어 더 현실적인 네트워크 구조로의 적용 가능성을 넓혔다.
• 수치적 연구 결과, 제안된 BIC가 진짜 커뮤니티 수를 정확하게 복원하는 데 기존 접근법보다 뛰어나다는 것이 확인되었다.
• 이론적 프레임워크는 비정규성 네트워크 구조가 있는 설정에서 커뮤니티 탐지의 추론과 모델 선택에 견고한 기반을 제공한다.