[论文解读] Constant State of Change: Engagement Inequality in Temporal Dynamic Networks

Hadar Miller, Osnat Mokryn|arXiv (Cornell University)|Oct 3, 2019

Complex Network Analysis Techniques参考文献 68被引用 18

一句话总结

该论文提出了一种与规模无关的在线变化点检测框架，用于演化时序网络，通过分析度分布变化使用柯尔莫哥洛夫-斯米尔诺夫（KS）距离检测结构变化。该方法无需事先了解网络规模、节点身份或历史数据，在Enron电子邮件数据集上实现了0.9的精确率和0.9的召回率，优于先前在合成网络和真实网络中的方法。

ABSTRACT

The temporal changes in complex systems of interactions have excited the research community in recent years as they encompass understandings on their dynamics and evolution. From the collective dynamics of organizations and online communities to the spreading of information and fake news, to name a few, temporal dynamics are fundamental in the understanding of complex systems. In this work, we quantify the level of engagement in dynamic complex systems of interactions, modeled as networks. We focus on interaction networks for which the dynamics of the interactions are coupled with that of the topology, such as online messaging, forums, and emails. We define two indices to capture the temporal level of engagement: the Temporal Network (edge) Intensity index, and the Temporal Dominance Inequality index. Our surprising results are that these measures are stationary for most measured networks, regardless of vast fluctuations in the size of the networks in time. Moreover, more than 80% of weekly changes in the indices values are bounded by less than 10%. The indices are stable between the temporal evolution of a network but are different between networks, and a classifier can determine the network the temporal indices belong to with high success. We find an exception in the Enron management email exchange during the year before its disintegration, in which both indices show high volatility throughout the inspected period.

研究动机与目标

• 在不依赖网络规模或节点身份先验知识的前提下，检测演化时序网络中的结构变化。
• 开发一种实时在线的框架，实现对不同网络规模和动态节点集合的鲁棒变化点检测。
• 在合成网络和真实数据集（如Enron和AskUbuntu）上评估该框架的性能。
• 将所提方法与现有距离度量（KL、RH）在度分布变化检测中的表现进行比较。
• 通过基于p值的假设检验，实现对渐变的检测灵敏度调节，而不仅限于检测突变。

提出的方法

• 采用滑动窗口方法，分析随时间变化的网络快照的度分布。
• 应用柯尔莫哥洛夫-斯米尔诺夫（KS）统计检验，比较连续窗口之间的度分布，并计算表示变化显著性的p值。
• 采用假设检验并结合数据驱动的阈值，以区分真实的变化点与随机波动。
• 无需拟合理论分布，也无需预先知道节点数量，从而支持在线运行。
• 支持多种距离度量（KS、KL、RH）进行对比，KS在中等规模网络中表现最佳。
• 将每个网络快照视为度分布，实现与规模无关的分析，不受节点数量变化的影响。

实验结果

研究问题

• RQ1 一种变化点检测框架是否能在不依赖网络规模或节点身份先验知识的情况下有效运行？
• RQ2 该框架在检测不同网络模型（如Erdős–Rényi、小世界网络）中度分布变化时表现如何？
• RQ3 KS、KL和RH距离度量在检测演化网络结构变化中的相对性能如何？
• RQ4 通过调整p值阈值，该框架能否检测随时间变化的渐变，而不仅限于突变？
• RQ5 在具有真实标签的真实数据集上，该框架与现有方法在精确率和召回率上的表现如何？

主要发现

• 该框架在Enron电子邮件数据集中成功检测出14个已知变化点中的13个，精确率达到90%，召回率也达到90%。
• 尽管基于GHRG的方法[3]未产生任何误报，该框架在精确率和召回率上仍优于该方法。
• 在合成的Erdős–Rényi（ER）和Caveman网络中，基于KS的框架在检测性能上优于KL和RH度量。
• KS距离度量在中等规模网络中最为有效，而RH在长尾分布中表现更优。
• 该方法成功检测到突变和渐变趋势，通过调节p值阈值可实现灵敏度调节。
• 该框架具备在线处理能力且与规模无关，无需历史数据或节点身份追踪，适用于实时应用。