[论文解读] Nonparametric graphon estimation

Patrick J. Wolfe, Sofia C. Olhede|arXiv (Cornell University)|Sep 23, 2013

Stochastic processes and statistical mechanics参考文献 27被引用 137

一句话总结

本文提出了一种非参数框架，用于通过轮廓似然方法估计图翁（graphons）——表示网络结构的极限对象。该框架在一般条件下（包括稀疏网络和模型误设）建立了图翁估计的一致性和收敛速率，并将理论与逼近论及图极限理论相联系。

ABSTRACT

We propose a nonparametric framework for the analysis of networks, based on a natural limit object termed a graphon. We prove consistency of graphon estimation under general conditions, giving rates which include the important practical setting of sparse networks. Our results cover dense and sparse stochastic blockmodels with a growing number of classes, under model misspecification. We use profile likelihood methods, and connect our results to approximation theory, nonparametric function estimation, and the theory of graph limits.

研究动机与目标

• 解决在稀疏网络情形下缺乏灵活且理论基础坚实的统计网络分析工具的问题。
• 基于图极限理论中的极限对象图翁，构建一种非参数网络分析框架。
• 在一般条件下（包括模型误设）建立图翁估计的一致性和收敛速率的理论结果。
• 将网络估计与逼近论、非参数函数估计及图极限理论相联系。
• 为使用交换随机图模型对大规模网络数据进行一致的统计推断提供理论基础。

提出的方法

• 通过邻接矩阵 $ A $ 建模网络，其中条目 $ A_{ij} \sim \text{Bernoulli}(\rho_n f(\xi_i, \xi_j)) $，$ \xi_i \sim \text{Uniform}(0,1) $，且 $ f $ 为图翁。
• 使用轮廓似然估计方法推断图翁 $ f $，将潜变量 $ \xi_i $ 视为干扰参数。
• 对 $ f $ 应用块模型近似，将 $[0,1]^2$ 划分为 $ k \times k $ 个块，每个块内取常数值，以实现非参数平滑。
• 通过将估计误差与真实图翁和估计图翁之间差值的 $ L^2 $-范数相关联，建立收敛速率。
• 利用逼近论和经验过程理论的工具，控制图翁估计中的偏差与方差。
• 利用图翁在保测变换下的不变性，确保其在等价类意义下的可识别性。

实验结果

研究问题

• RQ1 非参数图翁估计框架是否能在密集和稀疏网络情形下均实现一致性和收敛速率？
• RQ2 在模型误设下，特别是当块数随样本量增长的随机块模型中，图翁估计性能如何表现？
• RQ3 图翁估计与逼近论之间的理论关系是什么，尤其是在偏差-方差权衡方面？
• RQ4 轮廓似然方法如何被调整以处理交换随机网络中潜变量 $ \xi_i $ 的情形？
• RQ5 当网络稀疏度 $ \rho_n \to 0 $ 且 $ n \to \infty $ 时，图翁估计器的收敛速率如何？

主要发现

• 所提出的非参数图翁估计器在一般条件下具有一致性，包括 $ \rho_n \to 0 $ 的稀疏网络情形。
• 建立了密集和稀疏网络情形下的收敛速率，明确依赖于图翁的光滑度以及近似中块的数量。
• 该框架覆盖了块数随样本量增长的随机块模型，即使在模型误设下亦成立。
• 通过将估计误差与真实图翁和估计图翁之间差值的 $ L^2 $-范数进行比较，对误差进行有界控制，收敛速率通过 Kullback-Leibler 散度的泰勒展开推导得出。
• 通过利用图翁在保测变换下的不变性，实现了一致性，确保其在等价类意义下的可识别性。
• 理论结果将图翁估计与非参数函数估计及逼近论相联系，为统计网络分析提供了统一的理论基础。