[论文解读] Handling oversampling in dynamic networks using link prediction

Benjamin Fish, Rajmonda S. Caceres|arXiv (Cornell University)|Apr 24, 2015

Complex Network Analysis Techniques参考文献 17被引用 5

一句话总结

本文提出一种面向去噪过采样动态网络的任务驱动方法，通过将链接预测性能作为指标，识别最优的时间聚合窗口大小。通过将过采样建模为生成噪声过程，并在不同窗口大小下评估链接预测，该方法恢复了有意义的时间动态，在合成网络及现实世界网络（如Reality Mining和Haggle）中表现出更高的预测准确性。

ABSTRACT

Oversampling is a common characteristic of data representing dynamic networks. It introduces noise into representations of dynamic networks, but there has been little work so far to compensate for it. Oversampling can affect the quality of many important algorithmic problems on dynamic networks, including link prediction. Link prediction seeks to predict edges that will be added to the network given previous snapshots. We show that not only does oversampling affect the quality of link prediction, but that we can use link prediction to recover from the effects of oversampling. We also introduce a novel generative model of noise in dynamic networks that represents oversampling. We demonstrate the results of our approach on both synthetic and real-world data.

研究动机与目标

• 为解决动态网络中时间过采样带来的挑战，该挑战引入噪声并扭曲网络演化模式。
• 开发一种系统化的方法，用于选择适当的时序聚合窗口大小，以恢复真实的网络动态。
• 使用链接预测性能作为信号，指导最优窗口大小的选择，将推理任务作为去噪的驱动力。
• 形式化建立动态网络中过采样噪声的生成模型，捕捉虚假的时间排序和边稀疏性。
• 在合成数据和真实世界动态网络（包括Reality Mining和Haggle数据集）上验证该方法。

提出的方法

• 将过采样建模为生成过程，其中边围绕其真实发生时间分布，引入虚假的时间排序。
• 使用可变窗口大小 w，将动态网络表示为时间分箱快照序列，其中每个 w 长度区间内的边被聚合。
• 使用链接预测算法（Adamic-Adar、Katz、Rooted PageRank、图距离）评估每个窗口大小 w 在聚合网络上的质量。
• 将最优窗口大小 w 选择为最大化链接预测性能的窗口，使用 MCC 和归一化相似性等指标。
• 在多个真实世界数据集（Reality Mining、Haggle）和合成网络上应用该方法，以评估其鲁棒性和泛化能力。
• 使用统计归一化和可视化方法，比较不同算法和数据集之间的性能表现。

实验结果

研究问题

• RQ1 时间过采样如何降低动态网络中链接预测的性能？
• RQ2 链接预测性能能否作为识别网络演化正确时间尺度的可靠信号？
• RQ3 在动态网络中，一种系统化的过采样噪声生成模型是什么，能够捕捉虚假的时间排序和边稀疏性？
• RQ4 不同窗口大小如何影响现实世界动态网络（如Reality Mining和Haggle）中的链接预测准确率？
• RQ5 通过最优时间聚合，性能较差的链接预测算法能在多大程度上得到改善？

主要发现

• Reality Mining数据集中蓝牙序列显示出明显的过采样迹象，链接预测性能在 w=14（约2周）时达到峰值，表明存在稳定的时间尺度。
• 基站塔序列在 w=65（约2个月）时出现性能下降后显著提升，与月度和学期制学术周期一致。
• 在过采样网络中，链接预测质量随窗口大小增加而趋于稳定并提升，表明在精细时间尺度上过采样会降低性能。
• Adamic-Adar、Katz 和 Rooted PageRank 算法在识别最优窗口大小方面表现出高度一致性，证实了该方法的稳健性。
• 图距离算法（已知性能较低）即使在最优窗口化处理下也仅表现出微弱改善，表明某些算法无法通过更好的聚合得到挽救。
• 该方法在多种网络类型中成功恢复了有意义的时间动态，展示了在蓝牙、通话和基站塔序列等真实世界网络之间的一致性能差异。