Online Estimation and Community Detection of Network Point Processes for Event Streams

要約

ネットワーク モデリングの共通の目標は、ノード間に存在する潜在的なコミュニティ構造を明らかにすることです。
現実世界のネットワークの多くでは、真の接続はストリームとして到着するイベントで構成され、その後、動的時間コンポーネントを無視してエッジを形成するために集約されます。
インタラクションのこれらの時間的ダイナミクスを考慮する自然な方法は、コミュニティ検出のネットワーク モデルの基礎としてポイント プロセスを使用することです。
計算の複雑さにより、大規模な疎ネットワークに対するこのようなアプローチのスケーラビリティが妨げられます。
この課題を回避するために、連続時点プロセスの潜在ネットワーク モデルを使用して、ネットワーク上の動的イベント到着の基礎となる潜在構造を推定するための高速オンライン変分推論アルゴリズムを提案します。
コミュニティ構造をキャプチャするネットワーク モデルのこの手順について説明します。
この構造は、ネットワーク上で新しいイベントが観察され、推定されたコミュニティ割り当てが更新されると学習できます。
このような推論スキームの理論的特性を調査し、この手順の損失関数にリグレス限界を提供します。
次に、提案された推論手順は、シミュレーション研究と実際のデータの両方を使用して、非オンラインの変形と徹底的に比較されます。
我々は、オンライン推論が計算上の利益を実現しながら、コミュニティ回復の点で非オンラインの推論と同等のパフォーマンスを得ることができることを実証します。
私たちが提案する推論フレームワークは、他の一般的なネットワーク構造を組み込むように簡単に変更することもできます。

要約(オリジナル)

A common goal in network modeling is to uncover the latent community structure present among nodes. For many real-world networks, the true connections consist of events arriving as streams, which are then aggregated to form edges, ignoring the dynamic temporal component. A natural way to take account of these temporal dynamics of interactions is to use point processes as the foundation of network models for community detection. Computational complexity hampers the scalability of such approaches to large sparse networks. To circumvent this challenge, we propose a fast online variational inference algorithm for estimating the latent structure underlying dynamic event arrivals on a network, using continuous-time point process latent network models. We describe this procedure for networks models capturing community structure. This structure can be learned as new events are observed on the network, updating the inferred community assignments. We investigate the theoretical properties of such an inference scheme, and provide regret bounds on the loss function of this procedure. The proposed inference procedure is then thoroughly compared, using both simulation studies and real data, to non-online variants. We demonstrate that online inference can obtain comparable performance, in terms of community recovery, to non-online variants, while realising computational gains. Our proposed inference framework can also be readily modified to incorporate other popular network structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google