[论文解读] Nonparametric Modeling of Higher-Order Interactions via Hypergraphons

Krishnakumar Balasubramanian|arXiv (Cornell University)|May 18, 2021

Gene Regulatory Network Analysis参考文献 70被引用 5

一句话总结

本文提出简单利普希茨超图函数（SLH），一种基于超图函数（大超图的极限）的非参数模型，用于建模网络中的高阶相互作用。该方法提供了具有最优收敛速率的统计高效估计程序，通过理论分析与仿真验证，实现了对超越成对连接的复杂多路相互作用的灵活建模。

ABSTRACT

We study statistical and algorithmic aspects of using hypergraphons, that are limits of large hypergraphs, for modeling higher-order interactions. Although hypergraphons are extremely powerful from a modeling perspective, we consider a restricted class of Simple Lipschitz Hypergraphons (SLH), that are amenable to practically efficient estimation. We also provide rates of convergence for our estimator that are optimal for the class of SLH. Simulation results are provided to corroborate the theory.

研究动机与目标

• 开发一种非参数框架，用于建模网络中的高阶相互作用，突破传统成对图模型的限制。
• 解决在大规模网络数据中估计复杂多路相互作用的挑战，其中参数模型缺乏灵活性。
• 提出一类受限的超图函数——简单利普希茨超图函数（SLH），在建模能力与统计效率及计算可行性之间实现平衡。
• 在SLH类下建立所提估计器的最优收敛速率，确保理论稳健性。

提出的方法

• 本文采用超图函数作为大超图的非参数极限，以建模m-一致的高阶相互作用。
• 引入简单利普希茨超图函数（SLH）类，其定义为单位超立方体上的利普希茨连续函数，确保光滑性与估计可行性。
• 估计程序采用单位超立方体划分为k^m个区块的分段常数近似，簇分配基于节点相似性。
• 该方法利用集中不等式与利普希茨连续性控制估计误差，通过伯恩斯坦不等式与顺序统计量控制方差。
• 关键组成部分是基于簇平均值构建的代理估计器 $\ddot{\mathbf{\Theta}}$，其在弗罗贝尼乌斯范数下近似真实超图函数。
• 理论分析结合詹森不等式、利普希茨假设与尾部衰减界，推导出期望弗罗贝尼乌斯误差的上界。

实验结果

研究问题

• RQ1 超图函数能否在保持统计效率与计算可行性的同时，有效用于建模网络中的高阶相互作用？
• RQ2 在存在高阶相互作用的情况下，估计超图函数的最优收敛速率是什么？
• RQ3 如何将非参数模型限制在可计算的类（如SLH）中，而不牺牲建模灵活性？
• RQ4 所提估计器在SLH类下在多大程度上实现了最优收敛速率？
• RQ5 利普希茨连续性与基于聚类的划分在超图函数估计中的误差控制中起到何种作用？

主要发现

• 所提简单利普希茨超图函数的估计器在期望弗罗贝尼乌斯范数下达到最优收敛速率 $O(\rho_n^2 / k^2)$，其中 $k$ 为簇数，$\rho_n$ 为缩放参数。
• 理论分析表明，估计误差被上界控制在 $8M^2\rho_n^2 / k^2$，其中 $M$ 为超图函数的利普希茨常数。
• 通过使用簇平均估计器与利普希茨连续性，节点层面的变异性导致的误差可通过集中不等式得到控制。
• 该方法在SLH类下实现了最优速率，证明了高阶相互作用的非参数建模在可行性与统计效率方面均成立。
• 仿真结果与理论发现一致，表明在不同网络规模与相互作用模式下性能稳定。
• 该框架成功保留了在成对图表示中丢失的高阶合作者关系与多节点相互作用结构。