[论文解读] Geometric Network Comparison

Dena Marie Asta, Cosma Rohilla Shalizi|arXiv (Cornell University)|Nov 5, 2014

Topological and Geometric Data Analysis参考文献 7被引用 14

一句话总结

本文提出了一种基于双曲空间嵌入和节点分布作为概率密度的原理性统计方法，用于比较复杂网络。通过核密度估计和基于自展法的两样本检验，该方法在检测显著结构差异方面具有高统计功效，即使网络并非由双曲模型生成，也能实现高功效，并提供对网络差异的可解释性总结。

ABSTRACT

Network analysis has a crucial need for tools to compare networks and assess the significance of differences between networks. We propose a principled statistical approach to network comparison that approximates networks as probability distributions on negatively curved manifolds. We outline the theory, as well as implement the approach on simulated networks.

研究动机与目标

• 为解决在每种条件下仅有一个图可用时，缺乏用于比较网络的统计严谨工具的问题。
• 克服现有经验性汇总统计量（如度分布、路径长度）在检测有意义结构差异方面的局限性。
• 开发一种方法，即使网络并非由假设的双曲潜在空间模型生成，也能评估网络比较中的统计显著性与功效。
• 提供超越单纯差异检测的、基于模型的、可解释的网络差异总结。

提出的方法

• 使用潜在空间模型将网络嵌入双曲空间，将节点位置视为负曲率流形上的点过程实现。
• 在双曲平面上使用核密度估计方法，对每个网络的概率密度函数进行估计，该方法具有一致性，并以极小最大率收敛。
• 将两个网络估计密度之间的L2距离作为检验统计量。
• 通过合并两个网络并从合并后的密度中重采样，生成距离的零分布，执行基于自展法的两样本检验。
• 通过将观测距离与零分布比较，计算p值，从而实现正式的假设检验。
• 使用估计密度之间的差异作为网络间结构差异的可解释性总结。

实验结果

研究问题

• RQ1 当每种条件下仅有一个图可用时，我们能否检测到两个网络之间的统计显著差异？
• RQ2 所提出的方法在检测定性结构差异（如层次网络与网格状网络之间的差异）方面是否保持高功效？
• RQ3 当真实网络生成过程并非双曲潜在空间模型时，该方法表现如何？
• RQ4 该方法能否提供关于两个网络‘如何’不同的可解释性洞见，而不仅仅是检测到差异的存在？

主要发现

• 尽管模型设定错误，该方法在检测不同重连概率的Watts-Strogatz网络之间的差异时，功效达到100%（在蒙特卡洛误差范围内）。
• 对于准均匀双曲网络，当显著性水平α = 0.1时，检验仍保持可观的统计功效，能够检测到随分散参数δ变化的差异。
• 即使真实网络模型偏离双曲潜在空间假设，该方法仍保持高功效，表明对模型误设具有鲁棒性。
• 估计节点密度之间的差异为网络间结构差异提供了有意义且可解释的总结。
• p值计算的自展程序具有坚实的理论基础，核密度估计一致，且在较弱正则性条件下可实现有效推断。