[论文解读] Optimal Change Point Detection and Localization in Sparse Dynamic Networks

Daren Wang, Yi Yu+1 more|arXiv (Cornell University)|Sep 25, 2018

Mental Health Research Topics参考文献 49被引用 35

一句话总结

本文提出网络二值分割（Network Binary Segmentation）与局部精化（Local Refinement）算法，用于检测和定位时变边概率稀疏动态网络中的变化点。通过识别不可能区域并证明在弱稀疏性和最小间距条件下局部精化算法的极小极大最优性，建立了稳定变化点检测的相变现象。

ABSTRACT

We study the problem of change point localization in dynamic networks models. We assume that we observe a sequence of independent adjacency matrices of the same size, each corresponding to a realization of an unknown inhomogeneous Bernoulli model. The underlying distribution of the adjacency matrices are piecewise constant, and may change over a subset of the time points, called change points. We are concerned with recovering the unknown number and positions of the change points. In our model setting we allow for all the model parameters to change with the total number of time points, including the network size, the minimal spacing between consecutive change points, the magnitude of the smallest change and the degree of sparsity of the networks. We first identify a region of impossibility in the space of the model parameters such that no change point estimator is provably consistent if the data are generated according to parameters falling in that region. We propose a computationally-simple algorithm for network change point localization, called Network Binary Segmentation, that relies on weighted averages of the adjacency matrices. We show that Network Binary Segmentation is consistent over a range of the model parameters that nearly cover the complement of the impossibility region, thus demonstrating the existence of a phase transition for the problem at hand. Next, we devise a more sophisticated algorithm based on singular value thresholding, called Local Refinement, that delivers more accurate estimates of the change point locations. Under appropriate conditions, Local Refinement guarantees a minimax optimal rate for network change point localization while remaining computationally feasible.

研究动机与目标

• 解决动态网络中边概率随时间变化时检测和定位变化点的挑战。
• 确定在稀疏非齐次伯努利网络中一致变化点检测的基本极限。
• 在弱稀疏性和最小间距约束下，开发计算高效且统计最优的变化点定位算法。
• 在参数空间中建立相变现象，区分一致检测不可能与可能的区域。

提出的方法

• 提出网络二值分割算法，一种计算简单的算法，利用邻接矩阵的加权平均来检测变化点。
• 引入局部精化算法，一种基于奇异值阈值化的算法，通过精炼初始估计值提高定位精度。
• 采用基于经验网络均值加权差的检验统计量来检测变化，利用非齐次伯努利模型的结构。
• 通过稀疏性条件下的集中不等式和谱范数控制，推导估计误差的理论界。
• 采用随机采样方案，确保在大小为 Δ 的区间内覆盖变化点，从而实现概率一致性。
• 通过构造估计误差的下界并匹配局部精化算法的上界，建立极小极大最优性。

实验结果

研究问题

• RQ1 在时变边概率的稀疏动态网络中，一致变化点检测的基本极限是什么？
• RQ2 是否存在一种计算高效的算法，可在广泛模型参数范围内实现一致变化点定位？
• RQ3 参数空间中是否存在检测变得不可能或可能的相变？
• RQ4 是否有一种精化算法能在保持计算可行性的同时实现极小极大最优定位误差？
• RQ5 稀疏性、变化点间的最小间距和信号强度如何影响变化的可检测性？

主要发现

• 本文识别出参数空间中一个不可能区域，即不存在一致变化点估计器的区域，其特征为信号强度或间距不足。
• 网络二值分割在几乎覆盖不可能区域补集的参数范围内实现了稳定的变化点定位，展现出相变现象。
• 在适当条件下，局部精化算法实现了变化点定位的极小极大最优率，与估计误差的理论下界完全匹配。
• 该算法通过依赖奇异值阈值化和候选变化点的迭代精化，保持了计算可行性。
• 该方法保证变化点位置的估计误差被有界于一个量级为 $ O\bigl(\frac{1}{\rho^2 \tau^2}\bigr) $ 的项内，其中 $ \rho $ 为稀疏性参数，$ \tau $ 为变化点间的最小间距。
• 理论分析确认，通过随机采样覆盖所有变化点的概率下界为 $ 1 - \text{exp}\bigl\{\text{log}(T/\tau) - M\tau^2/(16T^2)\bigr\} $，从而确保高概率一致性。