Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks

要約

連続時間の動的ネットワーク データに対する新しい表現学習フレームワークである強度プロファイル投影を紹介します。
それぞれが 2 つのエンティティ ($i,j$) 間のタイムスタンプ付き ($t$) 相互作用を表すトリプル $(i,j,t)$ が与えられると、このプロシージャは各ノードの動作を表す連続時間の軌跡を返します。
時間とともに。
このフレームワークは 3 つの段階で構成されます。ペアごとの強度関数を推定します。
カーネルスムージング経由。
強度再構成誤差の概念を最小化する投影を学習する。
そして、学習された投影を介して進化するノード表現を構築します。
軌道は、構造的一貫性と時間的一貫性として知られる 2 つの特性を満たしており、これらは信頼性の高い推論の基礎となるものと考えられます。
さらに、推定軌道の誤差を厳密に制御する推定理論を開発し、この表現がノイズに非常に敏感な後続解析にも使用できることを示しています。
この理論はまた、バイアスと分散のトレードオフとしての平滑化の役割を解明し、ネットワーク全体でアルゴリズムの「強度を借りる」ために信号対雑音比が増加するにつれて平滑化のレベルを下げる方法を示しています。

要約(オリジナル)

We present a new representation learning framework, Intensity Profile Projection, for continuous-time dynamic network data. Given triples $(i,j,t)$, each representing a time-stamped ($t$) interaction between two entities ($i,j$), our procedure returns a continuous-time trajectory for each node, representing its behaviour over time. The framework consists of three stages: estimating pairwise intensity functions, e.g. via kernel smoothing; learning a projection which minimises a notion of intensity reconstruction error; and constructing evolving node representations via the learned projection. The trajectories satisfy two properties, known as structural and temporal coherence, which we see as fundamental for reliable inference. Moreoever, we develop estimation theory providing tight control on the error of any estimated trajectory, indicating that the representations could even be used in quite noise-sensitive follow-on analyses. The theory also elucidates the role of smoothing as a bias-variance trade-off, and shows how we can reduce the level of smoothing as the signal-to-noise ratio increases on account of the algorithm `borrowing strength’ across the network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google