[论文解读] DyANE: Dynamics-aware node embedding for temporal networks

Koya Sato, Mizuki Oka+2 more|arXiv (Cornell University)|Sep 12, 2019

Complex Network Analysis Techniques参考文献 39被引用 8

一句话总结

DyANE 提出了一种用于时序网络的动力学感知节点嵌入方法，通过使用修改后的超邻接表示来编码尊重时间的路径，从而实现对流行病等动力学过程中节点状态的准确预测。该方法在仅基于稀疏观测的流行病状态多标签分类任务中表现优异，优于基线方法，且无需了解过程参数或转换规则。

ABSTRACT

Low-dimensional vector representations of network nodes have proven successful to feed graph data to machine learning algorithms and to improve performance across diverse tasks. Most of the embedding techniques, however, have been developed with the goal of achieving dense, low-dimensional encoding of network structure and patterns. Here, we present a node embedding technique aimed at providing low-dimensional feature vectors that are informative of dynamical processes occurring over temporal networks -- rather than of the network structure itself -- with the goal of enabling prediction tasks related to the evolution and outcome of these processes. We achieve this by using a modified supra-adjacency representation of temporal networks and building on standard embedding techniques for static graphs based on random-walks. We show that the resulting embedding vectors are useful for prediction tasks related to paradigmatic dynamical processes, namely epidemic spreading over empirical temporal networks. In particular, we illustrate the performance of our approach for the prediction of nodes' epidemic states in a single instance of a spreading process. We show how framing this task as a supervised multi-label classification task on the embedding vectors allows us to estimate the temporal evolution of the entire system from a partial sampling of nodes at random times, with potential impact for nowcasting infectious disease dynamics.

研究动机与目标

• 解决在仅获得部分观测的情况下，预测时序网络上单一动力学过程完整时间演化轨迹的挑战。
• 开发一种能够捕捉与动力学过程相关而非静态网络结构信息的节点嵌入方法。
• 仅基于稀疏、随机采样的观测，实现对流行病类过程中节点状态的鲁棒、无参数依赖的预测。
• 证明基于嵌入的方法可在不了解转换机制或模型参数的情况下，有效重构复杂过程的时间动态。

提出的方法

• 构建一种修改后的超邻接表示，其中节点为 (节点, 时间) 对，仅在相同时间点存在交互的节点之间形成边，以保留时间尊重路径。
• 仅使用每个时间步的活跃（交互）节点来定义静态图，确保与动力学过程的相关性。
• 在超邻接图上应用基于随机游走的节点嵌入算法（例如 DeepWalk），生成编码时间连通性模式的低维向量。
• 将预测任务建模为监督多标签分类问题，利用嵌入向量和在随机时间点采样的节点状态。
• 在嵌入向量上训练分类器，以从稀疏观测中预测所有节点的完整时间状态演化。
• 利用预测的状态重建流行病曲线，并估计关键流行病学指标，如峰值高度和最终规模。

实验结果

研究问题

• RQ1 能否从修改后的超邻接表示中提取的节点嵌入有效编码时序网络上过程的时间动态信息？
• RQ2 基于这些嵌入的监督分类模型，在仅基于稀疏观测的情况下，能在多大程度上预测单个流行病实例中节点的完整状态演化？
• RQ3 所提出方法在重构多样化实证时序网络中的流行病动态方面，与现有嵌入技术相比表现如何？
• RQ4 该方法在未进行超参数调优的情况下，是否在不同流行病模型参数和数据集上仍保持鲁棒性？
• RQ5 即使预测了被禁止的转换（例如 SIR 模型中的 I→S），该方法是否仍能准确再现关键流行病学指标（如流行病峰值和最终规模）？

主要发现

• DyANE 在多个实证时序网络和广泛流行病模型参数范围内，始终表现出优越的分类性能，且无需超参数调优。
• 该方法能准确重构流行病的时间演化过程，包括峰值高度和出现时间，这对医疗系统规划至关重要。
• 预测的流行病曲线与真实动态高度一致，累积差异和最终流行病规模差异均优于其他嵌入方法。
• 即使预测了被禁止的转换（如 SIR 模型中的 I→S），模型仍能对整体流行病动态提供良好估计。
• 其他嵌入方法倾向于将流行病扩散时间窗口拉长并低估峰值，而 DyANE 准确捕捉了病例的真实集中趋势。
• 该方法具有鲁棒性和泛化能力，无需了解底层过程机理或转换规则。