[论文解读] Consistency of Maximum Likelihood for Continuous-Space Network Models.

Cosma Rohilla Shalizi, Dena Marie Asta|arXiv (Cornell University)|Nov 6, 2017

Complex Network Analysis Techniques参考文献 19被引用 7

一句话总结

本文在自然的光滑性和对称性假设下，建立了连续空间网络模型中非参数最大似然推断的一致性。随着节点数的增加，证明了节点位置、潜在空间分布和图生成分布均收敛至其真实值，为可扩展的网络建模提供了理论基础。

ABSTRACT

Network analysis needs tools to infer distributions over graphs of arbitrary size from a single graph. Assuming the distribution is generated by a continuous latent space model which obeys certain natural symmetry and smoothness properties, we establish three levels of consistency for non-parametric maximum likelihood inference as the number of nodes grows: (i) the estimated locations of all nodes converge in probability on their true locations; (ii) the distribution over locations in the latent space converges on the true distribution; and (iii) the distribution over graphs of arbitrary size converges.

研究动机与目标

• 开发一种从单个观测图中推断网络分布的理论基础方法。
• 解决使用连续潜在空间对任意规模网络进行建模的挑战。
• 在最小正则性条件下，建立非参数最大似然估计的渐近一致性。
• 确保随着节点数的增加，推断的网络属性收敛至其真实的底层分布。

提出的方法

• 假设网络由具有对称性和光滑性特性的连续潜在空间模型生成。
• 使用非参数最大似然估计，从未观测到的单张图中推断节点位置和潜在空间分布。
• 应用概率收敛论证，证明随着 n → ∞，估计的节点位置收敛至真实位置。
• 建立潜在位置经验分布向真实潜在空间底层分布的收敛性。
• 使用度量熵和熵条件控制潜在空间模型的复杂性。
• 采用一致收敛技术，证明在三个层次上的一致性：节点位置、潜在分布和图生成分布。

实验结果

研究问题

• RQ1 在连续空间网络模型中，非参数最大似然估计是否能一致地恢复节点的真实潜在位置？
• RQ2 随着节点数的增加，潜在位置上的估计分布是否收敛至真实分布？
• RQ3 对任意规模图的生成过程的推断模型是否收敛至真实生成过程？
• RQ4 在何种正则性条件下，最大似然推断在连续潜在空间网络中仍保持一致？
• RQ5 是否可以在多个推断层次上建立一致性：节点位置、潜在分布和图分布？

主要发现

• 随着节点数的增加，所有节点的估计位置以概率收敛至其真实潜在位置。
• 潜在位置的经验分布以概率收敛至潜在空间上的真实底层分布。
• 对任意规模图的推断分布收敛至真实生成分布。
• 在最小假设下建立了一致性：生成过程的对称性和光滑性。
• 结果适用于非参数推断，即潜在空间分布无需预设参数形式。
• 理论框架支持从单个观测网络进行可扩展的网络建模，无需重复采样。