[论文解读] A Review of Dynamic Network Models with Latent Variables

Bomin Kim, Kevin Lee+2 more|arXiv (Cornell University)|Nov 13, 2017

Complex Network Analysis Techniques被引用 3

一句话总结

本文全面回顾了融合潜变量的动态网络模型，重点聚焦于潜在空间模型（LSM）与随机块模型（SBM）。文章梳理了这些模型从静态到动态版本的演进过程，强调其通过几何定位或社区聚类揭示未观测网络结构的能力，并指出在计算、可视化及连续时间建模方面面临的关键挑战。

ABSTRACT

We present a selective review of statistical modeling of dynamic networks. We focus on models with latent variables, specifically, the latent space models and the latent class models (or stochastic blockmodels), which investigate both the observed features and the unobserved structure of networks. We begin with an overview of the static models, and then we introduce the dynamic extensions. For each dynamic model, we also discuss its applications that have been studied in the literature, with the data source listed in Appendix. Based on the review, we summarize a list of open problems and challenges in dynamic network modeling with latent variables.

研究动机与目标

• 提供融合潜变量的动态网络模型的系统性综述，重点聚焦于LSM与SBM。
• 追溯从静态潜变量模型发展出动态扩展的过程，强调方法论的演进与相互关联。
• 总结这些模型在社交网络、引文网络与生态系统等多样化领域中的实际应用。
• 识别并讨论在计算可扩展性、高维或时变潜结构可视化，以及连续时间动态模型需求方面的开放问题。
• 通过整理数据源并概述估计与可识别性方面的方法论挑战，为未来研究提供支持。

提出的方法

• 回顾静态潜在空间模型（LSM），该模型将节点表示为R维潜空间中的点，边存在的概率取决于欧氏距离。
• 引入动态LSM扩展，通过时间动态建模随时间演变的潜位置，包括流行度与活跃度效应。
• 考察结合时变潜因子与交互效应的动态双线性与引力模型。
• 回顾静态随机块模型（SBM），该模型将节点分配至未观测的块中，各块具有特定的边概率。
• 展示动态SBM变体，允许社区成员身份与连通性参数随时间变化，包括混合成员形式。
• 利用有向网络总结模型间关系，展示静态模型如何启发动态扩展。

实验结果

研究问题

• RQ1 动态潜在空间模型如何从静态模型扩展以捕捉随时间演变的网络结构？
• RQ2 在动态随机块模型中，哪些关键方法论进展使得社区成员身份与连通性可随时间变化？
• RQ3 在估计大规模或连续时间动态网络的潜变量模型时，面临的主要计算与统计挑战是什么？
• RQ4 与非潜变量模型相比，潜变量模型如何提升复杂网络数据的可解释性与可视化能力？
• RQ5 在潜变量建模动态网络方面，仍存在哪些开放问题，特别是关于可扩展性与连续时间动态？

主要发现

• 动态潜在空间模型通过建模随时间演变的潜位置，有效捕捉了网络结构的时序演化，支持对节点随时间移动的可视化。
• 具有时变成员身份的动态随机块模型能够更真实地模拟社区演变，例如在动态社交或合作网络中。
• 计算仍是主要瓶颈：LSM的似然评估复杂度为O(T×N²)，导致在节点数超过数千个时模型难以实用。
• SBM在标签分配上面临NP难问题，尽管变分方法可使模型拟合至数千个节点的网络。
• 可视化受限于二维或三维投影，对T ≥ 50个时间点的动态网络进行可视化仍是重大挑战。
• 大多数动态潜变量模型为离散时间模型，尽管连续时间网络数据日益丰富，但连续时间模型的发展仍有限。