[论文解读] Duality between Temporal Networks and Signals: Extraction of the Temporal Network Structures

Ronan Hamon, Pierre Borgnat+2 more|arXiv (Cornell University)|May 12, 2015

Music and Audio Processing参考文献 31被引用 4

一句话总结

本文提出了一种信号处理框架，利用时间网络与信号之间的对偶性，从时序上提取并追踪网络结构的演化。通过将每个时间切片的网络转化为信号（采用多维尺度变换），进行谱分析，并利用非负矩阵分解（NMF）识别持久的频率模式，该方法揭示了动态结构成分——在一所小学的社交接触网络中得到验证，NMF成功分离出以班级为基础、课间休息和午餐时间的互动模式，且具有高度的时间一致性。

ABSTRACT

We develop a framework to track the structure of temporal networks with a signal processing approach. The method is based on the duality between networks and signals using a multidimensional scaling technique. This enables a study of the network structure using frequency patterns of the corresponding signals. An extension is proposed for temporal networks, thereby enabling a tracking of the network structure over time. A method to automatically extract the most significant frequency patterns and their activation coefficients over time is then introduced, using nonnegative matrix factorization of the temporal spectra. The framework, inspired by audio decomposition, allows transforming back these frequency patterns into networks, to highlight the evolution of the underlying structure of the network over time. The effectiveness of the method is first evidenced on a toy example, prior being used to study a temporal network of face-to-face contacts. The extraction of sub-networks highlights significant structures decomposed on time intervals.

研究动机与目标

• 开发一种框架，利用信号处理技术追踪时序网络在时间上的结构演化。
• 将静态网络与信号之间的对偶性扩展至时序领域，实现对网络结构的时间解析分析。
• 利用非负矩阵分解（NMF）自动提取显著的频率模式及其时间激活系数。
• 从识别出的谱成分重构可解释的子网络，以实现结构解释。
• 在真实世界的时序网络数据（如小学校园中的面对面接触）上验证该方法。

提出的方法

• 使用经典多维尺度变换（MDS）将时序网络的每个时间切片转换为信号，以在低维信号表示中保持网络结构。
• 对所得信号应用谱分析（如傅里叶变换），提取对应于网络结构的频率模式。
• 构建所有时间点的时序谱矩阵，以表示结构频率的演化过程。
• 对谱矩阵应用非负矩阵分解（NMF），将其分解为一组基模式（频率分量）及其随时间变化的激活系数。
• 通过反转信号到网络的转换过程，从NMF成分重构可解释的子网络，实现对动态网络结构的可视化与解释。
• 应用阈值化和布局技术可视化重构的网络与接触矩阵，使用颜色编码表示节点属性（如年级、教师）。

实验结果

研究问题

• RQ1 如何将网络与信号之间的对偶性扩展至时序网络，以追踪其结构随时间的变化？
• RQ2 在谱表示中，哪些频率模式对应于时序网络中的有意义结构基元？
• RQ3 非负矩阵分解（NMF）能否有效提取并追踪演化网络中的主导结构成分？
• RQ4 所识别成分的激活系数在多大程度上与真实世界网络中的已知时间事件一致？
• RQ5 从谱成分重构的子网络在多大程度上能反映真实网络的动力学？

主要发现

• 该方法成功在小学社交接触网络中识别出三个不同的时间阶段：上课时间（以成分1为主导）、课间休息（成分1和2均活跃）、午餐时间（以成分2为主导），与实际的学校作息时间完全一致。
• 成分1对应于密集的、以班级为单位的互动，具有较高的班级内部连通性；而成分2则捕捉了课间和午餐时间的松散、跨班级的互动。
• 重构的聚合邻接矩阵（图12a）和接触矩阵（图12c）与真实学校结构及活动模式高度一致，尤其在使用对数尺度进行可视化时更为明显。
• NMF成分的激活系数（图11b）显示出一致的时间聚类：成分1在上课时间达到峰值，成分2在课间和午餐时间达到峰值，证实了时间上的一致性。
• 该方法能够将复杂的时序网络分解为可解释的、时间局部化的子网络，准确反映现实世界的行为动态，且无需预先标注。
• 该框架表明，时序网络信号表示中的谱模式可被可靠地映射回结构网络成分，从而实现对网络动态的自动化、数据驱动的发现。