[论文解读] Modeling heterogeneity in random graphs through latent space models: a selective review

Catherine Matias, Stéphane Robin|arXiv (Cornell University)|Feb 18, 2014

Complex Network Analysis Techniques参考文献 99被引用 83

一句话总结

本文对随机图的潜在空间模型进行了选择性综述，重点介绍随机块模型（SBM）及其近年来为捕捉网络结构异质性而发展的扩展。该文提出了基于模型的聚类方法，通过连接行为识别群体，为大规模和动态网络提供了可扩展的推断与理论洞察。

ABSTRACT

We present a selective review on probabilistic modeling of heterogeneity in random graphs. We focus on latent space models and more particularly on stochastic block models and their extensions that have undergone major developments in the last five years.

研究动机与目标

• 回顾基于模型的方法以检测随机图中的异质性，特别关注潜在空间模型。
• 突出网络分析中基于连接性的聚类与传统社区检测之间的区别。
• 考察随机块模型（SBM）及其在建模复杂网络结构方面的最新进展。
• 解决在大规模和动态网络中推断、模型选择与可扩展性的挑战。
• 识别统计网络建模中的开放性理论与计算挑战，特别是针对稀疏和演化网络。

提出的方法

• 使用潜在空间模型，其中每个节点在潜在度量空间中被分配一个潜在位置，边的概率取决于节点之间的距离。
• 应用随机块模型（SBM）根据共享的连接模式将节点分组为离散社区，边的概率由群体成员身份决定。
• 采用变分近似和最小化-最大化算法以提高大规模网络中高维数据的可扩展性。
• 利用图子模型作为SBM的非参数极限，通过对称可测函数 g(U_i, U_j) 实现对密集网络的灵活建模。
• 应用扩展卡尔曼滤波对动态SBM进行建模，以描述随时间演变的节点成员身份和边概率。
• 考虑图子模型中由于保测度变换引起的可识别性问题，并通过同构频次不变性与估计技术加以解决。

实验结果

研究问题

• RQ1 潜在空间模型如何在多样化应用场景中有效捕捉网络连接模式的异质性？
• RQ2 网络分析中基于连接性的聚类与传统社区检测之间有何关键区别？
• RQ3 随机块模型的最新扩展如何提升复杂网络中建模的灵活性与准确性？
• RQ4 在非常大规模和稀疏网络中，基于模型的网络聚类在统计与计算上面临哪些挑战？
• RQ5 如何利用潜在空间框架有效建模和推断动态网络的演化？

主要发现

• 随机块模型（SBM）为基于连接行为聚类节点提供了强大框架，既支持社区检测，也能对枢纽节点和外围节点进行更广泛的聚类。
• 图子模型为SBM提供了非参数扩展，通过对称可测函数 g(U_i, U_j) 建模密集网络，但因保测度变换而引发可识别性问题。
• 近期方法如低秩矩阵分解与变分推断使大规模网络中的可扩展推断成为可能，某项研究已处理超过131,000个节点与170亿条边。
• 通过扩展卡尔曼滤波等算法，动态SBM的扩展（包括随时间演变的成员身份与边概率）在实践中是可行的。
• 推断程序的有限样本性质仍缺乏充分研究，目前大多数理论结果仍局限于密集网络设置。
• 在保测度变换下，同构频次的不变性为模型验证提供了稳健基础，即使底层图子并非唯一可识别。