[论文解读] Reconstructing parameters of spreading models from partial observations

Andrey Y. Lokhov|arXiv (Cornell University)|Aug 1, 2016

Opportunistic and Delay-Tolerant Networks被引用 17

一句话总结

本文提出一种动态消息传递算法，从节点激活时间的部分、不完整观测中重建网络中传播过程的传播概率。该方法能高效推断随机扩散动力学中的模型参数，即使在时序图上也适用，从而在数据有限的情况下实现准确的预测与控制。

ABSTRACT

Spreading processes are often modelled as a stochastic dynamics occurring on top of a given network with edge weights corresponding to the transmission probabilities. Knowledge of veracious transmission probabilities is essential for prediction, optimization, and control of diffusion dynamics. Unfortunately, in most cases the transmission rates are unknown and need to be reconstructed from the spreading data. Moreover, in realistic settings it is impossible to monitor the state of each node at every time, and thus the data is highly incomplete. We introduce an efficient dynamic message-passing algorithm, which is able to reconstruct parameters of the spreading model given only partial information on the activation times of nodes in the network. The method is generalizable to a large class of dynamic models, as well to the case of temporal graphs.

研究动机与目标

• 解决在仅获得部分节点激活数据时，推断随机传播过程中传播概率的挑战。
• 开发一种可扩展且可泛化的动态网络模型参数重建方法。
• 处理现实中无法对时间序列中所有节点状态进行完整监控的场景。
• 将适用性扩展至时序图，其中边权重或传播速率可能随时间变化。

提出的方法

• 采用动态消息传递框架，在网络中传播关于传播概率的信念更新。
• 利用节点激活时间的部分观测，推断未观测到的状态和传播速率。
• 应用消息传递方程，基于邻居状态跟踪每个时间步节点被激活的概率。
• 通过消息更新规则编码动力学，推广至各类随机扩散模型。
• 通过在消息传递过程中允许传播概率随时间变化，支持时序图。
• 通过迭代信念传播优化参数推断，最小化估计传播速率的误差。

实验结果

研究问题

• RQ1 在传播数据不完整的情况下，能否准确重构随机传播模型中的传播概率？
• RQ2 所提出的消息传递方法在不同数据不完整程度下的表现如何？
• RQ3 该方法在不同类型的动态扩散模型中具有多大程度的泛化能力？
• RQ4 该算法能否有效重构具有时变传播速率的时序网络中的参数？
• RQ5 与现有方法相比，该方法在准确性和可扩展性方面表现如何？

主要发现

• 动态消息传递算法即使在稀疏且不完整的激活数据条件下，也能实现高精度的传播概率重构。
• 该方法有效泛化至广泛类别的随机扩散模型，超越简单的SIR型过程。
• 它成功处理时序图，实现在传播速率随时间变化情况下的参数推断。
• 该算法具有高效可扩展性，适用于可观测性有限的大规模网络。
• 实证结果表明，在数据稀缺条件下，其重构精度优于基线方法。
• 该方法通过准确推断潜在传播参数，实现了对传播动态的可靠预测与控制。