Statistical hypothesis testing for differences between layers in dynamic multiplex networks

Sintesi Tecnica: Test di Ipotesi Statistica per Differenze tra Livelli in Reti Multiplex Dinamiche

Definizione del Problema
Il saggio affronta una sfida inferenziale fondamentale nell'analisi delle reti multiplex dinamiche: determinare se i distinti livelli (che rappresentano diversi tipi di archi) differiscano sistematicamente nei loro modelli di connettività sottostanti. Mentre la letteratura esistente ha ampiamente trattato il test di ipotesi per grafi singoli o confronti a coppie tra singoli grafi, manca una procedura formale per testare le differenze globali tra i livelli in un contesto multiplex dinamico. Gli autori inquadrano questo problema come un test di ipotesi statistica in cui l'ipotesi nulla ($H_0$) postula che tutti i livelli derivino da un meccanismo generativo comune (condividendo una struttura latente comune), mentre l'ipotesi alternativa ($H_1$) suggerisce che almeno un livello diverga nella sua connettività.

Metodologia
La metodologia proposta opera all'interno del framework del Dynamic Multiplex Random Dot Product Graph (DMPRDPG), un modello di spazio latente in cui le probabilità di arco sono determinate dal prodotto interno di posizioni latenti. Il nucleo dell'approccio si basa sul Doubly Unfolded Adjacency Spectral Embedding (DUASE), un estimatore introdotto nel lavoro precedente di Baum et al. (2024).

1. Rappresentazione dei Dati: Il grafo multiplex dinamico è rappresentato da una sequenza di matrici di adiacenza $\{A_{k,t}\}$ per $K$ livelli e $T$ punti temporali. Questi vengono aggregati in una matrice di adiacenza "doppiamente srotolata" (doubly unfolded) $A \in \{0, 1\}^{nK \times nT}$.
2. Embedding Spettrale: Gli autori applicano il DUASE ad $A$ per ottenere le stime delle posizioni latenti. Nello specifico, utilizzano l'embedding sinistro $\hat{X}$, che cattura le strutture latenti specifiche del livello invarianti rispetto alla dimensione temporale.
3. Statistica del Test: Viene costruita una statistica del test $\psi_n$ basata sulla norma di Frobenius delle deviazioni degli embedding specifici per livello dalla loro media empirica:
   $$\psi_n = \frac{1}{K\sqrt{\log n}} \sum_{k=1}^K \| \hat{X}_n^k - \bar{\hat{X}}_n \|_F$$
   A differenza di altri test basati sullo spettro, questa statistica non richiede l'allineamento di Procruste tra gli embedding perché la procedura congiunta DUASE garantisce che le stime siano direttamente confrontabili.
4. Procedura Bootstrap: Poiché la distribuzione asintotica di $\psi_n$ sotto l'ipotesi nulla non è disponibile in forma chiusa, gli autori propongono un algoritmo bootstrap (Algoritmo 1). Questa procedura ricampiona le matrici di adiacenza basandosi sulla probabilità di connessione media stimata per generare una distribuzione di riferimento per il calcolo dei p-value.

Risultati Teorici Chiave
Il saggio stabilisce le proprietà asintotiche della statistica del test al tendere del numero di nodi $n$ all'infinito, sotto deboli condizioni di regolarità riguardanti i valori singolari della matrice di probabilità e la convergenza delle matrici di Gram:

• Consistenza sotto l'Ipotesi Nulla (Teorema 3.1): Se le posizioni latenti sono identiche in tutti i livelli, la probabilità di rifiutare l'ipotesi nulla converge a 0 quando $n \to \infty$.
• Potenza sotto l'Ipotesi Alternativa (Teorema 3.2): Se la divergenza tra le posizioni latenti specifiche per livello scala come $\omega(\sqrt{\log n})$, la probabilità di rifiutare l'ipotesi nulla converge a 1 quando $n \to \infty$.
• Limiti di Errore (Teorema 3.3): Gli autori forniscono un limite uniforme sull'errore di stima delle posizioni latenti utilizzando la norma two-to-infinity, che è critica per dimostrare i tassi di convergenza della statistica del test.

Risultati Empirici
Le prestazioni del metodo sono validate attraverso due vie primarie:

1. Simulazioni: Utilizzando un Dynamic Multiplex Stochastic Blockmodel (DMPSBM), gli autori dimostrano che la procedura bootstrap approssima accuratamente la distribuzione nulla, mantenendo i tassi di errore di Tipo-I vicini al livello nominale (ad esempio, 5%). La potenza del test mostra di aumentare sia con il numero di nodi che con l'entità delle differenze tra i livelli.
2. Applicazione Biologica: Il metodo viene applicato a un dataset che descrive l'attività neurale di larve di Drosophila. Lo studio simula processi di apprendimento rimuovendo selettivamente le connessioni neurali. Il test proposto ha identificato con successo differenze globali tra i livelli corrispondenti a diverse connessioni rimosse. L'analisi a coppie ha ulteriormente localizzato le differenze più significative in una specifica connessione (DAN-f1 a FBN-1), il che si allinea con precedenti scoperte ottenute tramite metodi di clustering e giustificazioni biologiche riguardanti i neuroni di feedback.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro introduce il primo meccanismo di test formale progettato specificamente per valutare le differenze globali tra i livelli in grafi multiplex dinamici utilizzando una singola statistica del test, evitando la necessità di aggregare molteplici test a coppie.

• Contributo Metodologico: Il saggio estende l'ambito dei test basati sullo spettro dal confronto tra grafi a coppie a un framework di test congiunto per contesti multilivello e dinamici.
• Utilità Pratica: Dimostrando l'efficacia sia su dati simulati che su un complesso dataset biologico, gli autori sostengono che il metodo sia uno strumento valido per campi che spaziano dalla cybersicurezza (monitoraggio dei cambiamenti nei pattern di traffico) alle neuroscienze (analisi dei cambiamenti nella connettività neurale).
• Limitazioni: Gli autori notano con modestia che l'attuale framework DUASE non separa esplicitamente gli effetti specifici del livello, del tempo e dell'interazione, sebbene possa catturarli implicitamente. Riconoscono inoltre che il test potrebbe avere difficoltà a rilevare differenze che influenzano solo una frazione molto piccola di nodi (violazioni altamente localizzate) a causa dell'accumulo di rumore.

Il saggio conclude che, sebbene la statistica proposta sia basata su deviazioni da una media empirica piuttosto che su macchinari basati su kernel o distanza (come la Maximum Mean Discreptancy), essa offre un approccio potente e computazionalmente trattabile per il problema specifico della differenziazione dei livelli nelle reti multiplex dinamiche.