Efficient Estimation for Longitudinal Networks via Adaptive Merging

要約

縦断ネットワークは、複数のノード間の一連の時間エッジで構成され、時間エッジがリアルタイムで観察されます。
オンラインソーシャルプラットフォームと電子商取引の台頭により、この概念は至る所で見られるようになりましたが、文献ではほとんど研究されていません。
この論文では、適応ネットワーク マージ、テンソル分解、点プロセスの長所を活用して、縦方向ネットワークの効率的な推定フレームワークを提案します。
隣接する疎なネットワークをマージして、観測されるエッジの数を増やし、推定の分散を低減します。一方、ネットワークのマージによって導入される推定バイアスは、適応ネットワーク近傍の局所的な時間構造を利用することによって制御されます。
推定を容易にするために投影勾配降下法アルゴリズムが提案されており、各反復における推定誤差の上限が確立されています。
提案された方法の漸近挙動を定量化するために徹底的な分析が行われ、推定誤差を大幅に削減できることが示され、さまざまなシナリオでのネットワーク結合のガイドラインも提供されます。
さらに、合成データセットと軍事化された国家間紛争データセットに対する広範な数値実験を通じて、提案された方法の利点を実証します。

要約(オリジナル)

Longitudinal network consists of a sequence of temporal edges among multiple nodes, where the temporal edges are observed in real time. It has become ubiquitous with the rise of online social platform and e-commerce, but largely under-investigated in literature. In this paper, we propose an efficient estimation framework for longitudinal network, leveraging strengths of adaptive network merging, tensor decomposition and point process. It merges neighboring sparse networks so as to enlarge the number of observed edges and reduce estimation variance, whereas the estimation bias introduced by network merging is controlled by exploiting local temporal structures for adaptive network neighborhood. A projected gradient descent algorithm is proposed to facilitate estimation, where the upper bound of the estimation error in each iteration is established. A thorough analysis is conducted to quantify the asymptotic behavior of the proposed method, which shows that it can significantly reduce the estimation error and also provides guideline for network merging under various scenarios. We further demonstrate the advantage of the proposed method through extensive numerical experiments on synthetic datasets and a militarized interstate dispute dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google