Efficient Estimation for Longitudinal Network via Adaptive Merging

要約

縦方向のネットワークは、複数のノード間の時間エッジのシーケンスで構成され、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 プラットフォームや e コマースの台頭により広く普及していますが、文献ではほとんど調査されていません。
この論文では、適応ネットワークのマージ、テンソル分解、およびポイントプロセスの強みを活用して、縦方向の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。
観測されたエッジの数を増やし、推定の分散を減らすために、隣接する疎なネットワークをマージしますが、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、投影勾配降下アルゴリズムが提案され、各反復における推定誤差の上限が確立されます。
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州際紛争データセットに関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