Community-Size Biases in Statistical Inference of Communities in Temporal Networks

技術要約：時系列ネットワークにおけるコミュニティの統計的推論におけるコミュニティ・サイズのバイアス

問題提起
時系列ネットワークの解析において、研究者はコミュニティ（密に結合したノードの集合）の進化を検出するために、統計的推論を頻繁に用いる。この領域における、コミュニティ割り当てを生成するモデルに内在するバイアスは、極めて重要でありながらしばしば見落とされる問題である。著者らは、標準的なアプローチが、コミュニティ割り当てに対して一様分布を用いるか、あるいは離散時間マルコフ過程に依存していることにより、非常に大きな、あるいは非常に小さなノード数を持つコミュニティに対して、推論が系統的に不利に働くことを特定している。具体的には、これらのモデルは、時間の経過とともにコミュニティ・サイズの分布が「局在化」（中程度のサイズに集中）する傾向がある。その結果、これらの生成モデルを利用する統計的推論手法は、平均的なサイズから大きく逸脱するコミュニティを特定しようとする際に、性能が低下する。これは現実世界の時系列ネットワークにおいて一般的な特徴である。

手法
本論文では、時系列ネットワークを、各レイヤーが離散的なタイムステップに対応するマルチレイヤー・ネットワークとして表現することで、この現象を調査している。著者らは、コミュニティ割り当て（$P(g)$）に関する3つの異なるクラスの生成モデルの性能を分析している：

1. 一様分布： 各ノード・レイヤーに対して、コミュニッチ・ラベルを独立かつ一様にランダムに割り当てる。
2. 離散時間マルコフ過程： ノードのラベルが時刻 $\ell$ におけるラベルが時刻 $\ell-1$ におけるラベルに確率的に依存する、コミュニティ割り当ての進化をモデル化する。著者らは、遷移カーネルとレイジネス（laziness）パラメータを利用する Yang et al. [65] および Bazzi et al. [4] の事前分布を具体的に検討し、実装している。
3. Layerwise-Exchangeable Count-Splitting (LECS) 事前分布： 著者らが提案する新しいアプローチ。各ノードを個別に更新するのではなく、コミュニティ内のノードの「カウント」を更新する。これは、コミュニティ内のノードを交換可能（exchangeable）なものとして扱い、以下の2段階のプロセスを用いる：
   • 幾何学的保持（Geometric Retention）： コミュニティに残るノードの数は、切断幾何分布から抽出される。
   • マイクロカノニカル・ラベリング（Microcanonical Labeling）： 残された「移動（mover）」ノードは、残りのノードの弱い組成（weak composition）を一様にサンプリングした後、ラベルを一様に割り当てることで、他のコミュニティへと再割り当てされる。

これらのモデルを評価するために、著者らは、局所的な極値から脱出するためのマルチレイヤー・ラベル・スワップを拡張したギブス・サンプリングを用いて、事後分布 $P(g|A)$ からサンプリングを行うベイズ・フレームワークを利用している。著者らは、逆参加比（IPR）を用いてコミュニティ・サイズの分布の「局在化」を定量化しており、IPRが高いほど、分布が局在化（バイアスがかかっている）していることを示す。

主な貢献

• バイアスの特定： 著者らは、一様分布および標準的な離散時間マルコフ過程の両方が、時間の経過とともにコミュニティ・サイズの分布をますます局在化させることを実証している。この局在化は、後のタイムステップにおいて、非常に小さい、あるいは非常に大きなコミュニティを生成または正しく推論する確率が低いことを意味する。
• 新しい生成モデル (LECS)： 著者らは、Layerwise-Exchangeable Count-Splitting (LECS) 事前分布を導入した。個々のノードの遷移に基づいてコミュニティ割り当てを更新するのではなく、前のレイヤーにおける集計されたカウントに基づいて更新することで、このモデルは局在化バイアスの蓄積を軽減する。
• 理論的保証： 論文では、無限のレイヤーの極限において、固定された保持確率を持つLECS事前分布が、特に極端なコミュニティ・サイズに対して、マルコフ過程モデルよりも大幅に局在化が少ない定常分布をもたらすことを証明している（定理 4.1 および系 4.2）。
• アルゴリズムの実装： 著者らは、LECS事前分布の遷移確率の閉形式の導出、および時系列SBMにおけるラベルの等変性（equivariance）の問題を扱うためのマルチレイヤー・スワップの実装を含む、これらのモデルに必要な事後サンプリング・アルゴリズムの詳細を述べている。

結果
$N=50$ ノード、$L=5$ レイヤーの合成ネットワークを用いた経験的実験を通じて、著者らは以下の結果を報告している：

• 局在化指標： LECS事前分布のIPR値は、Yang et al. や Bazzi et al. のマルコフ過程モデルと比較して、レイヤーをまたいでも有意に低く、かつ安定している。一方、これらのモデルのIPR値は時間の経過とともに上昇する。一様分布は最も高い局在化を示した。
• 検出性能： 様々なサイズ（100ノードのうち $q \in \{50, 60, 70, 80, 90\}$）の既知のコミュニティ構造を持つネットワークにおいて、LECS事前分布に基づくアプローチは、マルコフ過程アプローチ（Yang et al. および Bazzi et al.）よりも、大きなコミュニティ（例：$q=70, 80, 90$）の検出において優れている。Bazzi et al. の手法は中程度のサイズ（$q=50, 60$）でわずかに優れた性能を示すが、LECSアプローチは大きなコミュニティに対する優れた堅牢性を示している。
• マルチレイヤー・スワップ： サンプリング・アルゴリズムへのマルチレイヤー・ラベル・スワップの導入は、両方の手法（LECSおよびBazzi et al.）の性能を大幅に向上させ、時系列SBMにおけるラベルの不整合によって生じる局所的な極値へのスタックを防いでいる。

意義と主張
本論文は、コミュニティ割り当てのための生成モデルの選択が、特にコミュニティ・サイズに関して、時系列ネットワークにおける統計的推論の正確性を決定付ける主要な要因であると主張している。著者らは、マルコフ過程や一様事前分布に依存する既存の手法は、異質なサイズを持つコミュニティの検出に対して根本的にバイアスがかかっていると論じている。LECS事前分布を導入することで、彼らは「大きな、あるいは小さなコミュニティに対するバイアスを大幅に軽減する」生成モデルを提供し、コミュニティ・サイズが大きく変動するネットワークの研究に適したツールとしている。著者らは、彼らのアプローチが大小のコミュニティを持つネットワークの構造を研究する上で有益であることを結論付けており、同様のグループ・サイズのバイアスが、コア・ペリフェリ（核・周辺）パターンなどの他のメゾスケール構造の検出にも影響を与える可能性があることを示唆している。