📊 statistics

A General Marked Point Process Framework For Self-Exciting Network Evolution

De auteurs stellen een flexibel raamwerk voor op basis van een gemarkeerd puntproces voor het modelleren van de evolutie van netwerken in continue tijd, waarbij zowel de timing als de aard van netwerkupdates worden gekenmerkt door een pad-afhankelijke niet-lineaire Hawkes-proces.

Oorspronkelijke auteurs: Duncan A Clark, Conor J. Kresin, Charlotte M. Jones-Todd

Gepubliceerd 2026-03-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Duncan A Clark, Conor J. Kresin, Charlotte M. Jones-Todd

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Een Simpele Uitleg van "HawkesNet": Hoe Netwerken Leven Krijgen

Stel je voor dat je naar een drukke conferentie kijkt. Mensen komen binnen, lopen rond, praten met elkaar en vormen groepjes. Soms begint een gesprek tussen twee mensen, en dat trekt een derde persoon aan. Soms komt er een nieuwe spreker bij, en plotseling praten er ineens tien mensen tegelijk.

De auteurs van dit paper (Duncan Clark, Conor Kresin en Charlotte Jones-Todd) hebben een nieuwe manier bedacht om dit soort dynamiek te beschrijven en te voorspellen. Ze noemen hun methode HawkesNet.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Netwerken zijn geen statische foto's

Vroeger keken onderzoekers naar netwerken (zoals vriendschappen op sociale media of samenwerkingen tussen wetenschappers) alsof het een foto was. Ze zagen wie er verbonden was, maar niet precies wanneer en waarom die verbindingen ontstonden.

Andere modellen keken wel naar de tijd, maar ze behandelden de "tijdstippen" en de "inhoud" van de gebeurtenissen als twee aparte dingen. Alsof je zegt: "Mensen komen om 14:00 uur binnen" en "Mensen maken vrienden", zonder te begrijpen dat het binnenkomen van iemand op 14:00 uur precies de reden is dat er op 14:05 uur een nieuwe vriendschap wordt gesloten.

2. De Oplossing: Een "Tijdbom" met een Geschenk

De auteurs zeggen: "Laten we dit zien als een tijdbom met een geschenk."

De Tijdbom (Het Moment): Elk moment waarop er iets verandert in het netwerk (een nieuw persoon komt, of twee mensen gaan praten) is een "explosie" in de tijd.
Het Geschenk (De Mark): Wat er precies gebeurt (wie komt er? met wie praat hij?), is het geschenk dat bij die explosie zit.

In hun model is elke verandering in het netwerk een gebeurtenis met een geschenk. En het belangrijkste: het verleden bepaalt de toekomst. Als er gisteren veel mensen bij elkaar kwamen, is de kans groter dat er vandaag weer een groepje ontstaat. Dit noemen ze zelf-excitatie (of "opwinding"). Net als in een drukke discotheek: als de muziek al snel gaat, is de kans groot dat de volgende beat ook snel komt.

3. De Creatieve Analogie: Het Koffiebar-Effect

Stel je een koffiebar voor.

Standaard model: Je zegt: "Er komen gemiddeld 10 klanten per uur." Dat is saai en voorspelbaar.
HawkesNet: Je ziet dat zodra er één klant binnenkomt die een grote groep vrienden heeft, die groep binnen 5 minuten ook binnenkomt. Die eerste klant heeft de "intensiteit" verhoogd.
- De tijd (wanneer de volgende klant komt) hangt af van wat er net is gebeurd.
- De inhoud (wie die klant is en met wie hij praat) hangt ook af van wat er al in de koffiebar staat. Als er al een groepje staat, is de kans groter dat de nieuwe klant daar bij aansluit (dat noemen ze "triadische sluiting" of "driehoeksvorming").

HawkesNet combineert deze twee: het model weet dat de tijd van de volgende gebeurtenis en de soort gebeurtenis (wie met wie praat) met elkaar verweven zijn.

4. Waarom is dit slim? (De "Niet-Scheidbare" Magie)

In de wiskunde noemen ze dit niet-scheidbaar.
Stel je voor dat je probeert te voorspellen of het morgen gaat regenen.

Scheidbaar: Je kijkt alleen naar de temperatuur (tijd) en apart naar de windrichting (inhoud).
Niet-scheidbaar (HawkesNet): Je ziet dat als het al een uur regent (tijd), de grond verzadigd raakt, waardoor de kans op een modderbrij (inhoud) toeneemt. De tijd en de inhoud beïnvloeden elkaar.

In netwerken betekent dit: hoe ouder een verbinding is, hoe meer invloed die kan hebben op nieuwe verbindingen, maar die invloed verandert ook naarmate het netwerk groter wordt. Een oude vriend die nu in een groepje zit, is misschien belangrijker voor een nieuwe kennismaking dan een nieuwe vriend die net binnenkomt. HawkesNet pakt deze complexe, lange-termijn relaties mee.

5. Wat hebben ze bewezen?

De auteurs hebben niet alleen een mooi verhaal bedacht, ze hebben ook bewezen dat hun wiskundige formule stabiel is.

Geen oneindige chaos: Ze hebben laten zien dat het netwerk niet onbeheersbaar gaat groeien (niet "explosief" wordt) onder bepaalde voorwaarden. Het blijft beheersbaar, net zoals een goed georganiseerd feestje, ook al is het druk.
Het werkt in de praktijk: Ze hebben hun model getest op echte data van een conferentie (de ACM Hypertext conferentie in 2009). Ze konden precies voorspellen hoe mensen zich verplaatsten en met wie ze praatten. Het model zag patronen die andere methoden misten, zoals hoe mensen zich in groepjes samenvoegen op basis van wie ze al kenden.

Samenvatting

HawkesNet is een slimme manier om te kijken naar hoe netwerken groeien. Het behandelt netwerken niet als statische lijnen op papier, maar als een levend organisme dat reageert op zijn eigen geschiedenis.

Vroeger: "Er gebeurde iets, en toen gebeurde er iets anders."
Nu (met HawkesNet): "Omdat er iets gebeurde, en omdat het netwerk er nu zo uitziet, is de kans groot dat dit specifieke ding op dit specifieke moment gebeurt."

Het is als het voorspellen van het verloop van een gesprek: je kijkt niet alleen naar wie er praat, maar ook naar de sfeer, de geschiedenis van het gesprek en hoe de mensen reageren op elkaar. Hierdoor kunnen we beter begrijpen hoe vriendschappen, samenwerkingen en zelfs virale trends ontstaan.

Titel: Een algemeen gemarkeerd puntproceskader voor zelf-ex citerende netwerkevolutie

Auteurs: Duncan A. Clark, Conor J. Kresin, Charlotte M. Jones-Todd.

1. Het Probleem

Dynamische netwerken (zoals sociale interacties, co-auteurschappen of ziekteverspreiding) vertonen complexe temporele en structurele afhankelijkheden. Bestaande modellen voor netwerkevolutie hebben vaak beperkingen:

Vaste knopen: Veel modellen (zoals SAOM, TERGM) veronderstellen een vaste set knopen en modelleren alleen de vorming van randen. Ze kunnen geen inferentie doen over het aankomen van nieuwe knopen.
Onafhankelijkheid: Vaak worden de tijdstippen van updates en de aard van die updates (welke knopen/randen worden toegevoegd) als onafhankelijk behandeld. In werkelijkheid zijn deze echter sterk gekoppeld (bijv. een nieuwe knop kan direct leiden tot meerdere randen).
Zelf-excitatie: Netwerken vertonen vaak "bursty" gedrag waarbij een gebeurtenis de kans op toekomstige gebeurtenissen vergroot (zelf-excitatie). Bestaande methoden modelleren dit vaak niet goed of vereisen simplistische aannames (zoals Markov-eigenschappen) die informatie verliezen.
Gebrek aan waarschijnlijkheidsgebaseerde inferentie: Veel beschrijvende netwerkmethode (zoals schaalvrije modellen) bieden geen likelihood-gebaseerde statistische inferentie voor het evolutiemechanisme.

Het doel van dit artikel is een raamwerk te bieden dat continu-tijd, groeiende netwerken (nieuwe knopen en randen), zelf-excitatie en topologie-timing feedback (waarbij de huidige structuur de timing beïnvloedt en vice versa) verenigt in één coherent model.

2. Methodologie

De auteurs introduceren HawkesNet, een raamwerk gebaseerd op gemarkeerde puntprocessen (Marked Point Processes - MPP).

Kernconcepten:

Netwerk als Puntproces: Elke netwerkupdate (toevoeging van knopen en/of randen) wordt gezien als een gebeurtenis op een tijdstip $t_i$ . De "mark" $m_i$ die bij dit tijdstip hoort, is de update zelf (de specifieke set nieuwe knopen en randen).
Dynamische Markruimte: In tegenstelling tot traditionele puntprocessen met een vaste markruimte, is de markruimte hier dynamisch. De set van mogelijke updates ( $\mathcal{M}_t$ ) hangt af van de huidige staat van het netwerk $\mathcal{G}_{t-}$ . Een update is alleen "toelaatbaar" (admissible) als deze consistent is met de bestaande structuur (geen dubbele knopen, randen tussen bestaande of nieuw toegevoegde knopen).
Niet-separabiliteit: Het model is expliciet niet-separabel. Dit betekent dat de intensiteit van het tijdstip van een update en de verdeling van de mark (wat er gebeurt) niet kunnen worden ontkoppeld. De huidige netwerktopologie beïnvloedt zowel de snelheid van updates als de aard van die updates.

Het HawkesNet Model:

De conditionele intensiteit $\lambda(t, m | \mathcal{H}_t)$ wordt gefactoriseerd als:
$\lambda(t, m | \mathcal{H}_t) = \lambda_g(t | \mathcal{H}_t) \cdot q(m | t, \mathcal{H}_t)$
Waarbij:

$\lambda_g$ (Grondintensiteit): Een Hawkes-type intensiteit die bepaalt wanneer een update plaatsvindt. Deze kan afhankelijk zijn van de volledige geschiedenis (zelf-excitatie).
$q$ (Mark PMF): Een waarschijnlijkheidsmassafunctie die bepaalt welke update plaatsvindt (welke knopen/randen). Deze is gebaseerd op netwerkmotieven (zoals driehoeken, sterren) en kan ook afhankelijk zijn van de geschiedenis.

De auteurs stellen twee specifieke implementaties voor:

Preferentiële Aandacht (BA-style): Nieuwe knopen hechten zich met een kans die evenredig is met de graad van bestaande knopen (met tijdsverval).
Veranderingsstatistieken (Change Statistic): Gebaseerd op ERGM (Exponential Random Graph Models). De kans op een rand wordt bepaald door de verandering in netwerkstatistieken (bijv. aantal driehoeken, $k$ -sterren) die de toevoeging zou veroorzaken.

Stabiliteit en Existentie:

Om te garanderen dat het proces goed-gedefinieerd is (geen "explosie" van oneindig veel gebeurtenissen in eindige tijd), bewijzen de auteurs:

Bestaan en Uniekheid: Onder voorwaarden van een beperkte basisintensiteit en een "Lipschitz-contractie" (waarbij de invloed van een oude gebeurtenis in de tijd afneemt), bestaat er een unieke oplossing.
Poisson-Embedding: Ze gebruiken een Poisson-embedding (thinning) methode om het proces te simuleren en de stabiliteit te bewijzen via een contractieargument in een gewogen metriek op de geschiedenis.

Inferentie:

De parameters worden geschat via Maximum Likelihood Estimation (MLE). Door de factorisatie van de intensiteit kunnen ze de likelihood berekenen zonder een onmogelijke som over de enorme dynamische markruimte te hoeven nemen. De compensator term in de likelihood reduceert tot een integraal over de grondintensiteit alleen.

3. Belangrijkste Bijdragen

Unificatie van Timing en Topologie: Het biedt het eerste raamwerk dat tijd en inhoud van netwerkupdates gelijktijdig en niet-separabel modelleert in continu tijd, inclusief groei van het knopenbestand.
Mark Path Dependence: Invoering van een "mark path dependent" Hawkes proces, waarbij de invloed van een verleden gebeurtenis niet vaststaat bij het ontstaan, maar evolueert naarmate het netwerk groeit (bijv. een rand die later deel uitmaakt van een driehoek heeft een andere invloed dan direct na creatie).
Wiskundige Stabiliteit: Rigoureuze bewijzen voor bestaan, uniekheid en niet-explosie van het proces, zelfs in de aanwezigheid van complexe feedback tussen structuur en timing.
Efficiënte Likelihood-berekening: Een methode om de likelihood te berekenen die computatieel haalbaar is, zelfs voor grote netwerken, door gebruik te maken van de PMF-structuur.
Open Source Software: Introductie van het hawkesNet R-pakket voor simulatie en schatting.

4. Resultaten

Simulatiestudie:
- De auteurs simuleerden 100 realisaties van zowel het BA- als het CS-model.
- De Maximum Likelihood Schatters (MLE) herstelden de parameters accuraat in stabiele regimes.
- Er werd geobserveerd dat de schatters consistent worden naarmate het tijdsvenster ( $T$ ) groter wordt (afname van RMSE).
- Er werd een onderscheid gemaakt tussen stabiele en superkritische regimes; in superkritische regimes (langzame afname van excitatie) explodeert het aantal gebeurtenissen exponentieel, wat de noodzaak van stabiliteitscondities onderstreept.
Toepassing op Real Data (ACM Hypertext 2009):
- Het model werd toegepast op face-to-face contactdata van een conferentie (16 uur, 100 deelnemers, 946 eerste contacten).
- Modelkeuze: Het CS-model met geometrisch gewogen edgewise shared partners (GWESP) en degree (GWDEG) termen bood de beste fit. Eenvoudige driehoek/star modellen faalden om de gradenverdeling goed te reproduceren.
- Resultaten:
  - De parameters voor sociale sluiting (GWESP) en populariteit (GWDEG) waren positief en significant, wat overeenkomt met verwachte sociale dynamiek op conferenties.
  - De tijdsparameter ( $\beta$ ) toonde een snelle afname van excitatie, wat logisch is voor tijdelijke interacties.
  - Goedheid van Fit (GOF): Simulaties van het gefitte model reproduceerden de waargenomen gradenverdeling, shared partner-verdeling en geodesische afstanden zeer nauwkeurig.

5. Betekenis en Conclusie

Dit artikel zet een nieuwe standaard voor het modelleren van dynamische netwerken in continu tijd.

Theoretische Impact: Het overbrugt de kloof tussen puntproces-theorie (Hawkes) en netwerkwetenschap (ERGM/SAOM), waardoor het mogelijk wordt om zowel de snelheid als de structuur van netwerkgroei statistisch te analyseren.
Praktische Toepassing: Het raamwerk is flexibel genoeg om diverse netwerkdynamieken te modelleren (van sociale netwerken tot epidemieën) en biedt een solide basis voor inferentie.
Toekomstperspectief: De auteurs wijzen op uitbreidingsmogelijkheden, zoals het modelleren van het verdwijnen van randen (birth-death), het integreren van nodale covariaten, en het schalen naar zeer grote netwerken.

Samenvattend biedt HawkesNet een principiële, flexibele en statistisch onderbouwde methode om complexe, zelf-ex citerende netwerkevolutie te begrijpen, waarbij de onderlinge afhankelijkheid van tijd en structuur centraal staat.