[论文解读] Using Social Dynamics to Make Individual Predictions: Variational Inference with a Stochastic Kinetic Model

Zhen Xu, Wen Dong+1 more|arXiv (Cornell University)|Nov 7, 2016

Opinion Dynamics and Social Influence参考文献 13被引用 8

一句话总结

本文提出了一种变分推断算法 VISKM，该算法利用随机动力学模型，通过建模来自传感器网络数据的动态交互，预测大规模社会系统中的个体水平疾病传播。该方法在群体规模上具有线性计算复杂度，实现了可扩展的高精度推断，在流行病动力学数据上的速度和 AUC-ROC 性能均优于基于采样的方法。

ABSTRACT

Social dynamics is concerned primarily with interactions among individuals and the resulting group behaviors, modeling the temporal evolution of social systems via the interactions of individuals within these systems. In particular, the availability of large-scale data from social networks and sensor networks offers an unprecedented opportunity to predict state-changing events at the individual level. Examples of such events include disease transmission, opinion transition in elections, and rumor propagation. Unlike previous research focusing on the collective effects of social systems, this study makes efficient inferences at the individual level. In order to cope with dynamic interactions among a large number of individuals, we introduce the stochastic kinetic model to capture adaptive transition probabilities and propose an efficient variational inference algorithm the complexity of which grows linearly --- rather than exponentially --- with the number of individuals. To validate this method, we have performed epidemic-dynamics experiments on wireless sensor network data collected from more than ten thousand people over three years. The proposed algorithm was used to track disease transmission and predict the probability of infection for each individual. Our results demonstrate that this method is more efficient than sampling while nonetheless achieving high accuracy.

研究动机与目标

• 利用大规模时间交互数据，实现社会动态中状态变化事件（如疾病传播）的高效个体级预测。
• 解决在大量相互作用个体的系统中精确推断计算不可行的问题。
• 开发一种与群体规模呈线性增长的可扩展推断方法，不同于传统采样方法的超线性增长。
• 在来自超过 10,000 名个体的无线传感器网络收集的真实世界流行病动力学数据上验证该方法。
• 证明所提出的方法在准确性和效率上均优于 Gibbs 采样和粒子滤波。

提出的方法

• 本文引入随机动力学模型（SKM），基于个体之间的动态交互，表示状态间（如易感、感染）的自适应转移概率。
• 构建一个离散事件、连续时间的模型，其中交互触发状态转换，类似于化学反应。
• 开发一种基于期望传播原理的变分推断算法，以近似隐藏状态的后验分布。
• 该算法采用针对多个个体同时发生状态变化的均场近似，克服了标准变分均场方法的局限性。
• 证明推断复杂度随个体数量线性增长，从而实现对大规模系统的可扩展性。
• 通过在时间上进行前向和后向传递，支持预测、平滑和扩展任务。

实验结果

研究问题

• RQ1 随机动力学模型能否有效捕捉动态社交交互，并在大规模系统中实现高精度的个体级预测？
• RQ2 所提出的变分推断算法在准确性和计算效率方面与基于采样的方法相比如何？
• RQ3 该算法是否与群体规模呈线性增长，并且在大规模流行病动力学中能否保持高精度？
• RQ4 该方法能否在部分观测数据下，高保真地推断个体感染概率和集体统计量（如总感染人数）？
• RQ5 该方法在平滑（后向推断）和扩展（缺失状态推断）任务中的表现如何？

主要发现

• 在 Social Evolution 和 Dartmouth 数据集上，VISKM 在预测、平滑和扩展任务中均实现了高于 Gibbs 采样和粒子滤波的受试者工作特征曲线下面积（AUC）。
• 该算法表现出卓越的可扩展性，计算时间随个体数量线性增长，而采样方法则呈超线性增长。
• 在 Social Evolution 数据集中，VISKM 对 60 名个体的处理仅需 0.78 秒，而 Gibbs 采样在 10,000 次迭代下需 7,820 秒。
• 在集体统计量推断中，VISKM 即使仅使用 20% 的数据，也能比采样方法更准确地估计总感染人数。
• 平滑性能略优于预测，原因在于同时利用了过去和未来的观测数据。
• 即使在信息有限的挑战性扩展任务中，VISKM 仍保持了强大的判别能力，表现为较高的 AUC-ROC 值。