[论文解读] The generalised random dot product graph

Patrick Rubin‐Delanchy, Carey E. Priebe+1 more|arXiv (Cornell University)|Sep 16, 2017

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出广义随机点积图，一种灵活的潜在位置网络模型，通过将节点建模为 $\mathbb{R}^d$ 中的随机向量，并利用不定度量 $I_{p,q}$ 定义双线性形式来确定边概率，从而统一了随机块模型、混合成员随机块模型和随机点积图。该模型通过潜在位置的凸组合唯一编码混合成员关系，并确保在不定正交群 $O(p,q)$ 的变换下可识别性，从而支持聚类和预测任务的稳健推断。

ABSTRACT

This paper introduces a latent position network model, called the generalised random dot product graph, comprising as special cases the stochastic blockmodel, mixed membership stochastic blockmodel, and random dot product graph. In this model, nodes are represented as random vectors on $\mathbb{R}^d$, and the probability of an edge between nodes $i$ and $j$ is given by the bilinear form $X_i^T I_{p,q} X_j$, where $I_{p,q} = \mathrm{diag}(1,\ldots, 1, -1, \ldots, -1)$ with $p$ ones and $q$ minus ones, where $p+q=d$. As we show, this provides the only possible representation of nodes in $\mathbb{R}^d$ such that mixed membership is encoded as the corresponding convex combination of latent positions. The positions are identifiable only up to transformation in the indefinite orthogonal group $O(p,q)$, and we discuss some consequences for typical follow-on inference tasks, such as clustering and prediction.

研究动机与目标

• 将现有的网络模型——随机块模型、混合成员随机块模型和随机点积图——统一到一个灵活的框架中。
• 形式化一种潜在位置模型，使得混合成员关系自然地通过潜在向量的凸组合表示。
• 刻画在由 $I_{p,q}$ 定义的不定内积结构下，节点位置的可识别性。
• 探讨 $O(p,q)$-不变性对下游推断任务（如聚类和预测）的影响。

提出的方法

• 将节点建模为 $\mathbb{R}^d$ 中的随机向量，边概率由双线性形式 $X_i^T I_{p,q} X_j$ 决定，其中 $I_{p,q} = \mathrm{diag}(1,\ldots,1,-1,\ldots,-1)$，包含 $p$ 个 1 和 $q$ 个 -1。
• 利用不定度量 $I_{p,q}$ 推广标准点积，从而能够表示网络结构中的正负依赖关系。
• 确保混合成员关系通过潜在位置的凸组合编码，这仅在该双线性形式下可能实现。
• 建立潜在位置仅在不定正交群 $O(p,q)$ 的变换下可识别，且该变换保持双线性形式不变。
• 推导模型的理论性质，包括在 $O(p,q)$ 变换下的不变性，以支持稳健推断。
• 将模型应用于聚类和预测等推断任务，利用不变性提升稳定性和可解释性。

实验结果

研究问题

• RQ1 如何通过单一网络模型统一随机块模型、混合成员随机块模型和随机点积图？
• RQ2 何种独特的节点潜在位置表示能够通过凸组合自然编码混合成员关系？
• RQ3 使用不定度量 $I_{p,q}$ 如何影响模型中潜在位置的可识别性？
• RQ4 $O(p,q)$-不变性对网络分析中的统计推断有何影响？
• RQ5 该模型是否能在潜在位置不确定性下支持稳健的聚类和预测？

主要发现

• 广义随机点积图是在 $\mathbb{R}^d$ 中唯一可能的潜在位置表示，使得混合成员关系通过潜在向量的凸组合编码。
• 该模型通过 $I_{p,q}$ 定义的边概率结构确保双线性形式 $X_i^T I_{p,q} X_j$ 是在线性潜在空间中编码混合成员关系的唯一机制。
• 节点潜在位置仅在不定正交群 $O(p,q)$ 的变换下可识别，且该变换保持双线性形式不变。
• 这种 $O(p,q)$-不变性意味着聚类和预测等推断任务在这些变换下保持不变，从而增强稳健性。
• 该框架自然地包含了随机块模型、混合成员随机块模型和随机点积图作为特例。
• 该模型提供了一套原则化的网络分析方法，使得混合成员关系与结构异质性可通过统一的几何框架联合建模。