[論文レビュー] Reconstructing parameters of spreading models from partial observations

Andrey Y. Lokhov|arXiv (Cornell University)|Aug 1, 2016

Opportunistic and Delay-Tolerant Networks被引用数 17

ひとこと要約

本稿では、ノードの活性化時刻の部分的・不完全な観測から、ネットワーク上の伝播プロセスにおける伝播確率を再構築するための動的メッセージパッシングアルゴリズムを提案する。この手法は、確率的拡散ダイナミクスにおけるモデルパラメータを、時間的グラフでさえも効率的に推定可能であり、限られたデータでも正確な予測と制御を可能にする。

ABSTRACT

Spreading processes are often modelled as a stochastic dynamics occurring on top of a given network with edge weights corresponding to the transmission probabilities. Knowledge of veracious transmission probabilities is essential for prediction, optimization, and control of diffusion dynamics. Unfortunately, in most cases the transmission rates are unknown and need to be reconstructed from the spreading data. Moreover, in realistic settings it is impossible to monitor the state of each node at every time, and thus the data is highly incomplete. We introduce an efficient dynamic message-passing algorithm, which is able to reconstruct parameters of the spreading model given only partial information on the activation times of nodes in the network. The method is generalizable to a large class of dynamic models, as well to the case of temporal graphs.

研究の動機と目的

• 部分的なノード活性化データしか入手できない状況において、確率的伝播プロセスにおける伝播確率を推定するという課題に対処すること。
• 動的ネットワークモデルにおけるパラメータ再構築のためのスケーラブルで一般化可能な手法を開発すること。
• 時間経過とともにノード状態を完全にモニタリングすることが現実的に不可能な状況を扱うこと。
• エッジの重みや伝播レートが時間とともに変化する可能性がある時間的グラフへの適用可能性を拡張すること。

提案手法

• 伝播確率に関する信念の更新をネットワーク全体に伝搬するための動的メッセージパッシングフレームワークを採用する。
• ノード活性化時刻の部分的観測を用いて、観測されない状態や伝播レートを推定する。
• 各時刻におけるノードが活性化されている確率を、その隣接ノードの状態に基づいて追跡するメッセージパッシング式を適用する。
• メッセージ更新ルールにダイナミクスを組み込むことで、さまざまな確率的拡散モデルへ一般化可能である。
• メッセージパッシングプロセスに時間依存の伝播確率を許容することで、時間的グラフへの対応を可能にする。
• 反復的信念パッシングを通じてパラメータ推定を最適化し、推定された伝播レートの誤差を最小化する。

実験結果

リサーチクエスチョン

• RQ1 不完全なノード活性化データから、確率的伝播モデルにおける伝播確率を正確に再構築できるか？
• RQ2 提案手法のメッセージパッシング法は、データの不完全度が異なる状況でも効果を発揮するか？
• RQ3 この手法は、さまざまな種類の動的拡散モデルにどの程度一般化可能か？
• RQ4 時間依存の伝播レートを有する時間的ネットワークにおいて、アルゴリズムが効果的にパラメータを再構築できるか？
• RQ5 データ不足の状況下で、従来の手法と比較して、精度とスケーラビリティの面でどのように優れるか？

主な発見

• 動的メッセージパッシングアルゴリズムは、スパarsely かつ不完全な活性化データであっても、伝播確率の再構築において高い精度を達成する。
• 単純なSIR型プロセスにとどまらず、広範な確率的拡散モデルクラスへも効果的に一般化可能である。
• 時間的グラフに対しても効果的に対応でき、伝播レートが時間とともに変化する状況でもパラメータ推定が可能である。
• アルゴリズムは効率的にスケーリング可能であり、観測可能性が限られた大規模ネットワークに対しても適している。
• 実験的結果から、データが乏しい状況下でもベースライン手法に比べて再構築精度が向上していることが示された。
• 正確な隠れ伝播パラメータの推定により、伝播ダイナミクスの信頼性の高い予測と制御が可能になる。