[論文レビュー] Stochastic Block Transition Models for Dynamic Networks

Kevin S. Xu|arXiv (Cornell University)|Nov 19, 2014

Complex Network Analysis Techniques参考文献 18被引用数 34

ひとこと要約

本論文は、隠れマルコフ仮定を緩和する動的ネットワーク用の確率的ブロック遷移モデル（SBTM）を提案する。このモデルは、時間ステップ t におけるエッジの存在が、時間ステップ t+1 におけるエッジ確率に直接影響を与えるように設計されており、エッジの持続性を明示的にモデル化する。これにより、従来のモデルに比べて、特に長期間にわたる相互作用を捉える能力が向上し、実社会的ネットワークデータにおける実際のエッジ持続期間分布の再現性が著しく向上する。

ABSTRACT

There has been great interest in recent years on statistical models for dynamic networks. In this paper, I propose a stochastic block transition model (SBTM) for dynamic networks that is inspired by the well-known stochastic block model (SBM) for static networks and previous dynamic extensions of the SBM. Unlike most existing dynamic network models, it does not make a hidden Markov assumption on the edge-level dynamics, allowing the presence or absence of edges to directly influence future edge probabilities while retaining the interpretability of the SBM. I derive an approximate inference procedure for the SBTM and demonstrate that it is significantly better at reproducing durations of edges in real social network data.

研究の動機と目的

• 既存の隠れマルコフベースのモデルよりも、実世界の社会的ネットワークにおけるエッジ持続期間のパターンをよりよく捉える動的ネットワークモデルの開発。
• 動的スチュアティックブロックモデルにおける制限的なマルコフ仮定を緩和し、エッジの存在が将来のエッジ確率に直接影響を与えるようにすること。
• スチュアティックブロックモデルの解釈可能性を維持しつつ、時間的ダイナミクスのモデリングを強化すること。
• 実動的ネットワークデータにおける将来のネットワーク構造の予測および合成ネットワーク生成の精度向上を実証すること。

提案手法

• エッジが時間 t に存在するかどうかが、時間 t+1 におけるエッジ存在確率に直接影響を与える、確率的ブロック遷移モデル（SBTM）を提案。これは潜在状態とは独立して動作する。
• ブロック確率の変化を動的線形システムとしてモデル化し、隣接行列のスケーリングされた標本平均が漸近的にガウス分布に従うと仮定する。
• モデルパラメータを推定するための近似推論手順を構築。この手順では拡張カルマンフィルタと局所探索アルゴリズムを組み合わせる。
• 最初の時間ステップでの初期化にスペクトルクラスタリングを用い、時系列順の隣接行列にモデルを適合させる。
• エッジダイナミクスが現在のブロック所属状態と、現在のエッジの存在／不在状態の両方に依存する状態空間形式を採用する。
• シミュレーション実験と90日間隔の実際のFacebookウォール投稿データを用いて、モデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 エッジ持続性を明示的にモデル化する動的ネットワークモデルは、実際のエッジ持続期間分布の再現において、隠れマルコフベースのモデルを上回ることができるか？
• RQ2 エッジダイナミクスにおけるマルコフ仮定を緩和することで、実社会的相互作用データに対する合成ネットワーク生成の正確性が向上するか？
• RQ3 SBTMは、複雑な時間的依存関係をモデル化しつつ、スチュアティックブロックモデルの解釈可能性をどの程度維持できるか？
• RQ4 SBTMは、静的SBMおよびHM-SBMと比較して、将来のネットワーク構造の予測においてどの程度優れているか？

主な発見

• SBTMは、実動的ネットワークで観測された経験的エッジ持続期間分布を、隠れマルコフスチュアティックブロックモデル（HM-SBM）および静的SBMよりも顕著に良く再現する。
• Facebookウォール投稿データセットにおいて、SBTMが生成した合成ネットワークは、観測データと類似したエッジ持続期間を示し、複数の時間ステップにわたって持続するエッジの割合が顕著に高かった。
• これに対して、HM-SBMは、潜在状態が安定していなければ繰り返しエッジが発生しないため、長期間のエッジ持続を再現できなかった。
• SBTMが直接的なエッジ持続性をモデル化できることにより、持続的な社会的相互作用を捉えるより現実的な合成ネットワークが得られる。
• 拡張カルマンフィルタと局所探索を組み合わせた推論手順により、時間経過に伴うパラメータとブロック所属状態の推定が成功した。
• Facebookデータの観測エッジ持続期間分布では、20％を超えるエッジが複数の時間ステップにわたって活性化しており、このパターンはSBTMが成功裏に再現したが、HM-SBMでは再現できなかった。