[논문 리뷰] The generalised random dot product graph

Patrick Rubin‐Delanchy, Carey E. Priebe외 1명|arXiv (Cornell University)|2017. 09. 16.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 임의의 벡터 공간 $\mathbb{R}^d$ 내에서 노드를 랜덤 벡터로 모델링하고, 정의되지 않은 계량 $I_{p,q}$ 를 사용한 이중선형 형태로 간선 확률을 정의함으로써, 스토하스틱 블록모델, 믹스드 멤버십 스토하스틱 블록모델, 그리고 랜덤 도트 곱 그래프를 통합하는 일반화된 랜덤 도트 곱 그래프를 제안한다. 이 모델은 볼록 조합을 통한 믹스드 멤버십을 유일하게 표현하며, 불확정성 계량 $I_{p,q}$ 에 기반한 이중선형 구조에 따라 불확정성 정규직교군 $O(p,q)$ 의 변환에 대해 유일하게 식별 가능성을 보장함으로써, 군집화 및 예측에 대한 강건한 추론을 가능하게 한다.

ABSTRACT

This paper introduces a latent position network model, called the generalised random dot product graph, comprising as special cases the stochastic blockmodel, mixed membership stochastic blockmodel, and random dot product graph. In this model, nodes are represented as random vectors on $\mathbb{R}^d$, and the probability of an edge between nodes $i$ and $j$ is given by the bilinear form $X_i^T I_{p,q} X_j$, where $I_{p,q} = \mathrm{diag}(1,\ldots, 1, -1, \ldots, -1)$ with $p$ ones and $q$ minus ones, where $p+q=d$. As we show, this provides the only possible representation of nodes in $\mathbb{R}^d$ such that mixed membership is encoded as the corresponding convex combination of latent positions. The positions are identifiable only up to transformation in the indefinite orthogonal group $O(p,q)$, and we discuss some consequences for typical follow-on inference tasks, such as clustering and prediction.

연구 동기 및 목표

• 스토하스틱 블록모델, 믹스드 멤버십 스토하스틱 블록모델, 그리고 랜덤 도트 곱 그래프를 하나의 유연한 프레임워크로 통합하기.
• 믹스드 멤버십이 잠재 벡터의 볼록 조합으로 자연스럽게 표현되는 잠재 위치 모델을 체계화하기.
• 잠재 위치의 식별 가능성에 대해 $I_{p,q}$ 에 의해 정의된 불확정성 내적 구조에서 특성화하기.
• 잠재 위치의 불확정성 정규직교군 $O(p,q)$ 에 대한 불변성의 의미를 군집화 및 예측과 같은 후행 추론 작업에 대해 탐색하기.

제안 방법

• 노드를 $\mathbb{R}^d$ 내의 랜덤 벡터로 모델링하며, 간선 확률은 $X_i^T I_{p,q} X_j$ 라는 이중선형 형태로 결정된다. 여기서 $I_{p,q} = \mathrm{diag}(1,\ldots,1,-1,\ldots,-1)$ 는 $p$ 개의 1과 $q$ 개의 -1 을 포함한다.
• 불확정성 계량 $I_{p,q}$ 를 사용하여 표준 내적을 일반화함으로써 네트워크 구조 내의 양성 및 음성 의존성을 모두 표현할 수 있도록 한다.
• 믹스드 멤버십이 유일하게 이중선형 형태를 통해 표현될 수 있도록, 잠재 위치의 볼록 조합을 통해 믹스드 멤버십을 인코딩한다.
• 잠재 위치가 불확정성 정규직교군 $O(p,q)$ 의 변환에 대해서만 유일하게 식별 가능하며, 이는 이중선형 형태를 유지함을 보장한다.
• 모델의 이론적 성질을 유도하며, $O(p,q)$ 변환에 대한 불변성 등을 통해 강건한 추론을 지원한다.
• 불변성을 활용하여 군집화 및 예측과 같은 추론 작업에 모델을 적용함으로써 안정성과 해석 가능성을 향상시킨다.

실험 결과

연구 질문

• RQ1 어떻게 하나의 네트워크 모델이 스토하스틱 블록모델, 믹스드 멤버십 스토하스틱 블록모델, 그리고 랜덤 도트 곱 그래프를 통합할 수 있는가?
• RQ2 어떤 고유한 잠재 위치 표현이 볼록 조합을 통해 믹스드 멤버십을 자연스럽게 표현하는가?
• RQ3 불확정성 계량 $I_{p,q}$ 의 사용이 모델 내 잠재 위치의 식별 가능성에 어떤 영향을 미치는가?
• RQ4 $O(p,q)$-불변성은 네트워크 분석에서 통계적 추론에 어떤 의미를 갖는가?
• RQ5 이 모델은 잠재 위치의 불확실성 하에서도 강건한 군집화 및 예측을 지원할 수 있는가?

주요 결과

• 일반화된 랜덤 도트 곱 그래프는 믹스드 멤버십이 잠재 벡터의 볼록 조합으로 표현될 수 있는 $ ^d$ 내에서의 유일한 잠재 위치 표현을 제공한다.
• 이 모델의 간선 확률 구조는 $I_{p,q}$ 를 사용함으로써, 선형 잠재 공간 내에서 믹스드 멤버십을 인코딩하는 데 있어 이중선형 형태 $X_i^T I_{p,q} X_j$ 가 유일한 메커니즘이 된다.
• 노드의 잠재 위치는 불확정성 정규직교군 $O(p,q)$ 의 변환에 대해서만 식별 가능하며, 이는 이중선형 형태를 유지한다.
• 이 $O(p,q)$-불변성은 군집화 및 예측과 같은 추론 작업이 이러한 변환에 대해 불변임을 의미하며, 이는 강건성을 향상시킨다.
• 이 프레임워크는 스토하스틱 블록모델, 믹스드 멤버십 스토하스틱 블록모델, 그리고 랜덤 도트 곱 그래프를 특수한 경우로 자연스럽게 포함한다.
• 이 모델은 믹스드 멤버십과 구조적 이질성을 통합 기하학적 프레임워크를 통해 함께 모델링할 수 있는 원칙적인 접근법을 제공한다.