Statistical hypothesis testing for differences between layers in dynamic multiplex networks

技術的要約：動的マルチプレックスネットワークにおけるレイヤー間の差異に関する統計的仮説検定

問題提起
本論文は、動的マルチプレックスネットワークの解析における根本的な推論上の課題、すなわち、異なるレイヤー（異なるエッジタイプを表す）がその基礎となる接続パターンにおいて系統的に異なっているかどうかを判断するという課題に取り組んでいる。既存の文献では、単一のグラフや個別のグラフ間のペア比較に関する仮説検定については広く扱われてきたが、動的なマルチプレックス設定においてレイヤー間のグローバルな差異をテストするための正式な手続きは欠如している。著者らはこれを統計的仮説検定の問題として定式化しており、帰無仮説（$H_0$）はすべてのレイヤーが共通の生成メカニズム（共通の潜在構造）から生じていることを仮定し、対立仮説（$H_1$）は少なくとも一つのレイヤーがその接続性において逸脱していることを示唆するものである。

手法
提案される手法は、エッジの確率が潜在位置の内的積によって決定される潜在空間モデルである、**動的マルチプレックス・ランダム・ドット・プロダクト・グラフ（DMPRDPG）の枠組み内で動作する。このアプローチの中核は、Baumら（2024）によって導入された二重展開隣接スペクトル埋め込み（Doubly Unfolded Adjacency Spectral Embedding: DUASE）**に基づく。

1. データの表現: 動的マルチプレックスグラフは、$K$ 個のレイヤーと $T$ 個の時間点に対する隣接行列の列 $\{A_{k,t}\}$ によって表される。これらは「二重展開」された隣接行列 $A \in \{0, 1\}^{nK \times nT}$ に集約される。
2. スペクトル埋め込み: 著者らは、$A$ に対して DUASE を適用して潜在位置の推定値を得る。具体的には、時間次元に対して不変なレイヤー固有の潜在構造を捉える左埋め込み $\hat{X}$ を利用する。
3. 検定統計量: 検定統計量 $\psi_n$ は、レイヤー固有の埋め込みの経験的平均からの偏差のフロベニウスノルムに基づいて構築される：
   $$\psi_n = \frac{1}{K\sqrt{\log n}} \sum_{k=1}^K \| \hat{X}_n^k - \bar{\hat{X}}_n \|_F$$
   他のスペクトルベースの検定とは異なり、この統計量は、結合 DUASE 手続きによって推定値が直接比較可能であることを保証しているため、埋め込み間のプロクラスティス・アライメント（Procrustes alignment）を必要としない。
4. ブートストラップ法: 帰無仮説の下での $\psi_n$ の漸近分布は閉形式では得られないため、著者らはブートストラップ・アルゴリズム（Algorithm 1）を提案している。この手続きでは、推定された平均接続確率に基づいて隣接行列を再サンプリングし、p値を算出するための参照分布を生成する。

主要な理論的結果
本論文は、確率行列の特異値およびグラム行列の収束に関する緩やかな正則条件の下で、ノード数 $n$ が無限大に発散する場合の検定統計量の漸近的性質を確立している：

• 帰無仮説下での一致性 (Theorem 3.1): もし潜在位置がすべてのレイヤーで同一であれば、帰無仮説を棄却する確率は $n \to \infty$ において 0 に収束する。
• 対立仮説下での検出力 (Theorem 3.2): もしレイヤー固有の潜在位置間の乖離が $\omega(\sqrt{\log n})$ のスケールで発生する場合、帰無仮説を棄却する確率は $n \to \infty$ において 1 に収束する。
• 誤差境界 (Theorem 3.3): 著者らは、二点対無限ノルム（two-to-infinity norm）を用いた潜在位置の推定誤差に関する一様境界を提供しており、これは検定統計量の収束率を証明するために極めて重要である。

実証結果
提案手法の性能は、主に2つの経路を通じて検証されている：

1. シミュレーション: 動的マルチプレックス・ストキャスティック・ブロックモデル（DMPSBM）を用い、ブートストラップ手続きが帰無分布を正確に近似し、第一種の過誤率を公称レベル（例：5%）に近く維持することを実証している。検定の検出力は、ノード数およびレイヤー間の差異の大きさの両方とともに増加することが示されている。
2. 生物学的応用: 本手法は、ショウジョウバエの幼虫の神経活動を記述するデータセットに適用された。研究では、特定の神経接続を選択的に除去することで学習プロセスをシミュレートしている。提案された検定は、除去された接続に対応するレイヤー間のグローバルな差異を特定することに成功した。さらに、ペアワイズ解析により、最も有意な差異を特定の接続（DAN-f1 から FBN-1）に局在化させたが、これはクラスタリング手法を用いた先行研究や、フィードバックニューロンに関する生物学的根拠と一致している。

意義と主張
著者らは、本研究が、複数のペアワイズ検定を集計することなく、単一の検定統計量を用いて、動的マルチプレックスグラフのレイヤー間のグローバルな差異を評価するために特別に設計された最初の正式な検定メカニズムを導入したと主張している。

• 方法論的貢献: 本論文は、スペクトルベースの検定の範囲を、ペアワイズのグラフ比較から、マルチレイヤーかつ動的な設定のための結合検定フレームワークへと拡張している。
• 実用的有用性: シミュレーションデータと複雑な生物学的データセットの両方で有効性を実証することで、著者らは、本手法がサイバーセキュリティ（トラフィックパターンの変化の監視）から神経科学（神経接続の変化の分析）に至るまでの分野において実行可能なツールであることを主張している。
• 限界: 著者らは、現在の DUASE フレームワークは、レイヤー固有、時間固有、および相互作用の効果を明示的に分離するものではないが、それらを暗黙的に捉える可能性があることを控えめに述べている。また、ノイズの蓄積により、ごく少数のノードに影響を与える（高度に局所的な違反）差異の検出には苦慮する可能性があることも認めている。

本論文は、提案された統計量がカーネルや距離ベースの機構（最大平均偏差など）ではなく、経験的平均からの偏差に基づいているものの、動的マルチプレックスネットワークにおけるレイヤー分化という特定の問題に対して、強力かつ計算効率の高いアプローチを提供すると結論付けている。