[论文解读] Network archaeology: phase transition in the recoverability of network history

Jean-Gabriel Young, Laurent Hébert‐Dufresne+4 more|arXiv (Cornell University)|Mar 25, 2018

Complex Network Analysis Techniques被引用 3

一句话总结

本文提出了一种用于网络考古学的贝叶斯框架，采用广义优先连接模型来重建复杂网络的历史演化过程。该研究开发了一种顺序重要性采样算法和一种线性时间启发式方法，揭示了在网络历史恢复能力方面存在一个相变现象：当参数超过某一临界阈值时，网络历史将无法恢复；然而，在参数空间的大部分区域以及真实数据上，仍可进行非平凡的推断。

ABSTRACT

Network growth processes can be understood as generative models of the structure and history of complex networks. This point of view naturally leads to the problem of network archaeology: Reconstructing all the past states of a network from its structure---a difficult permutation inference problem. In this paper, we introduce a Bayesian formulation of network archaeology, with a generalization of preferential attachment as our generative mechanism. We develop a sequential importance sampling algorithm to evaluate the posterior averages of this model, as well as an efficient heuristic that uncovers the history of a network in linear time. We use these methods to identify and characterize a phase transition in the quality of the reconstructed history, when they are applied to artificial networks generated by the model itself. Despite the existence of a no-recovery phase, we find that non-trivial inference is possible in a large portion of the parameter space as well as on empirical data.

研究动机与目标

• 为解决从当前网络结构中重建复杂网络完整演化历史的挑战。
• 将网络增长建模为生成过程，以实现对过去状态的推断。
• 开发一种可扩展且准确的网络考古学方法，适用于合成网络和真实世界网络。
• 确定网络历史能够或不能可靠重建的条件。

提出的方法

• 将网络考古学建模为基于广义优先连接机制的贝叶斯推断问题，作为生成模型。
• 实现一种顺序重要性采样算法，以计算不同网络历史路径上的后验平均。
• 设计一种计算高效的启发式方法，实现线性时间内的网络历史重建。
• 利用模型生成人工网络，并在不同参数下评估重建质量。
• 将方法应用于真实网络，以检验其在现实世界中的适用性。
• 通过改变模型参数并测量推断准确性，分析可恢复性中的相变现象。

实验结果

研究问题

• RQ1 尽管网络具有生成机制，网络历史在何时会变得在统计上无法恢复？
• RQ2 所提出的推断方法在广义优先连接模型的不同参数区域中的表现如何变化？
• RQ3 即使在理论上可恢复性失效的区域，实践中是否仍能恢复非平凡的网络历史？
• RQ4 与合成基准相比，所提出的方法在真实世界网络上的表现如何？
• RQ5 网络的哪些结构或动态特征决定了其仅从当前状态即可恢复？

主要发现

• 识别出网络历史可恢复性中的相变现象：当参数超过临界阈值后，准确重建将变得不可能。
• 尽管存在无法恢复的相变区域，但在参数空间的大部分区域中，非平凡的推断仍具有可行性。
• 所提出的线性时间启发式方法在合成网络和真实网络上均能高效实现高精度的网络历史重建。
• 顺序重要性采样算法为模型评估和推断提供了可靠的后验估计。
• 真实网络表现出可恢复历史的证据，表明现实世界网络通常处于可推断的区域。
• 本研究证明，即使理论极限表明不可行，网络考古学对许多现实世界复杂网络仍具有可行性。