Technische Samenvatting: Tweestaps Hypothesetoetsing voor Subruimtegelijkheid in Netwerkdata

Probleemformulering

Het artikel behandelt de fundamentele uitdaging om te bepalen of twee onafhankelijke netwerkwaardige datasets dezelfde onderliggende structurele connectiviteitspatronen delen, specifiek hun latente gemeenschapsstructuren, zelfs wanneer hun randkansen (edge probabilities) aanzienlijk verschillen. In veel toepassingen, zoals het vergelijken van sociale netwerken over verschillende platforms of het analyseren van de luchtvaartconnectiviteit over de tijd, kunnen de "gemeenschappen" (latente groepen) stabiel blijven terwijl de dichtheid of specifieke verbindingskansen fluctueren.

Formeel, laat $A^{(1)}$ en $A^{(2)}$ twee onafhankelijke adjacency matrices zijn van grootte $n \times n$, gegenereerd uit symmetrische, laag-rang kansmatrices $P^{(1)}$ en $P^{(2)}$ met rang $k$. De auteurs stellen een toets voor de nulhypothese dat de kolomruimtes (subruimtes) gespannen door de leidende eigenvectoren van deze kansmatrices identiek zijn:
$$H_0: V^{(1)}(V^{(1)})^\top = V^{(2)}(V^{(2)})^\top$$
versus de alternatieve hypothese $H_1$ waarbij de subruimtes verschillen. Hier bevat $V^{(i)} \in \mathbb{R}^{n \times k}$ de orthonormale eigenvectoren die overeenkomen met de niet-nul eigenwaarden van $P^{(i)}$.

Deze hypothese wordt getoond equivalent te zijn aan het testen op gelijkheid van gemeenschapsstructuren in Stochastic Blockmodels (SBM) en Mixed-Membership Stochastic Blockmodels (MMSBM), tot permutatie en schaling, en gelijkheid van latente feature-ruimtes in Generalized Random Dot Product Graphs (GRDPG).

Methodologie

Teststatistiek

De voorgestelde teststatistiek is gebaseerd op de Frobeniusnorm van het verschil tussen de empirische spectrale projectiematrices van de twee netwerken. Laat $\hat{V}^{(i)}$ de matrix zijn van de leidende $k$ empirische eigenvectoren van $A^{(i)}$. De statistiek is gedefinieerd als:
$$T_n := \| \hat{V}^{(1)}(\hat{V}^{(1)})^\top - \hat{V}^{(2)}(\hat{V}^{(2)})^\top \|_F^2$$

Asymptotische Theorie

De kern van de theoretische bijdrage is een limietstelling die vaststelt dat $T_n$, onder passende centrering en schaling, convergeert in distributie naar een standaard Gaussische willekeurige variabele. Dit resultaat geldt onder de volgende voorwaarden:

1. Sparsity (IJlheid): De gemiddelde verwachte graad groeit ten minste logaritmisch met het aantal knopen ($n\rho_n \gg \log n$).
2. Eigenwaarde Schaling: De niet-nul eigenwaarden van de kansmatrices schalen lineair met $n\rho_n$.
3. Incoherentie: De rijen van de populatie-eigenvectoren zijn uniform verspreid (een voorwaarde die wordt voldaan door gebalanceerde gemeenschapsgroottes in blockmodels).

De asymptotische gemiddelde ($\mu_2$) en variantie ($\sigma_2^2$) van de statistiek worden expliciet afgeleid in termen van de populatieparameters. De afleiding berust op een nieuwe matrix-reeksexpansie van de projectieverschil, waarbij de statistiek wordt gedecomposeerd in een dominante tweede-orde term en hogere-orde resttermen. Het bewijs maakt gebruik van een martingaal centrale limietstelling om de Gaussische limiet voor de tweede-orde term vast te stellen, terwijl wordt aangetoond dat hogere-orde termen asymptotisch verwaarloosbaar zijn.

Datagedreven Schatting

Om de test operationeel te maken, stellen de auteurs consistente plug-in schatters voor de asymptotische gemiddelde en variantie voor. Deze schatters vervangen de onbekende populatie-eigenvectoren en eigenwaarden door hun empirische tegenhangers. De consistentie van deze schatters wordt bewezen onder een iets sterkere "dense regime" assumptie ($n\rho_n \gg \sqrt{n}$), die ervoor zorgt dat de schattingsfout de limiterende distributie niet verstoort.

Eén-stele Analoog

Het artikel stelt ook een corresponderende limietstelling vast voor een één-stele test, die de afstand beoordeelt tussen een empirische subruimte en een bekende referentie-subruimte. Dit resultaat dient als de technische basis voor het twee-stele bewijs en wordt gepresenteerde als een resultaat van onafhankelijke interesse, wat een basis biedt voor betrouwbaarheidsintervallen op de projectieafstand.

Belangrijkste Bijdragen

1. Een Tweestaps-test voor Gemeenschappelijke Subruimtes: De auteurs stellen een spectrale teststatistiek voor voor de gelijkheid van de kolomruimtes van laag-rang kansmatrices. Ze bewijzen de asymptotische normaliteit ervan en voorzien in consistente schatters voor de parameters, wat strikte controle over de Type I-fout mogelijk maakt zonder computationeel intensieve resampling-methoden zoals bootstrapping.
2. Toepassing op Blockmodel-families: Het raamwerk is werkzaam voor zowel SBMs als MMSBMs. De test detecteert effectief veranderingen in de gemeenschapsstructuur (lidmaatschapstoewijzingen), zelfs wanneer de randkansen variëren, waardoor het onderscheid maakt tussen structurele verschuivingen en loutere dichtheidsfluctuaties.
3. Limietstelling voor Projectieafstanden: Het artikel leidt een limietstelling af voor de projectieafstand tussen empirische en ware eigensubruimtes onder Bernoulli-ruis. Dit generaliseert eerdere resultaten die vaak Gaussische ruis aannamen of zich richtten op individuele eigenvectoren, en biedt een globale distributionele theorie voor fouten in subruimteschatting.

Resultaten

Numerieke Simulaties

De auteurs valideren de methode via uitgebreide simulaties op synthetische data:

• Stochastic Blockmodels (SBM): De test vertoont een sterke kracht in het onderscheiden van netwerken met verschillende gemeenschapsstructuren. Zelfs kleine perturbaties (het herverdelen van een klein aantal knopen) worden met een hoge waarschijnlijkheid gedetecteerd naarmate de netwerkdichtheid toeneemt.
• Mixed-Membership SBMs (MMSBM): De test detecteert succesvol verschuivingen in mixed-membership profielen. De simulaties geven aan dat hoewel de test effectief is, het detecteren van veranderingen in soft-assignment regimes (MMSBM) iets grotere perturbaties of dichtere netwerken vereist vergeleken met hard-assignment regimes (SBM).
• Groottecontrole: De empirische omvang van de test blijft dicht bij het nominale significantieniveau ($\alpha = 0.05$) en verbetert naarmate de netwerkdichtheid toeneemt.

Real-World Toepassing

De methodologie wordt toegepast op Amerikaanse binnenlandse vluchtgegevens (januari 2016 – september 2021) om het luchthavennetwerk te analyseren.

• Stabiele Perioden: Vergelijkingen van vluchtnetwerken in januari en november over verschillende jaren laten geen statistisch significante structurele verschillen zien, wat wijst op stabiele gemeenschapsstructuren.
• Structurele Disruptie: Vergelijkingen waarbij juni 2020 (de piek van de COVID-19 pandemie-verstoring) betrokken is, onthullen statistisch significante verschillen in de subruimtestructuur van het netwerk vergeleken met andere jaren. Dit bevestigt het vermogen van de test om grote structurele verstoringen in real-world netwerkdata te detecteren.

Betekenis en Claims

Het artikel claimt een rigoureus, computationeel efficiënt raamwerk te bieden voor netwerkhypothesetoetsing dat verder gaat dan het testen van specifieke parameterequaliteit (bijv. exacte randkansen) en zich richt op het testen van de stabiliteit van de onderliggende geometrische structuur (de subruimte).

• Robuustheid: In tegenstelling tot methoden die vertrouwen op exacte parametermatching of specifieke ruisstructuren (zoals Gaussische ruis) aannemen, is deze aanpak robuust tegen hinderlijke fluctuaties in netwerkdichtheid en is deze afgestemd op de heteroscedastische Bernoulli-ruis die inherent is aan netwerkdata.
• Theoretische Vernieuwing: De afleiding van de Gaussische limiet voor de projectieafstand onder Bernoulli-ruis wordt gepresenteerd als een belangrijke theoretische vooruitgang, die een gat vult in de literatuur waar dergelijke distributionele resultaten voorheen niet beschikbaar waren voor deze specifieke setting.
• Praktisch Nut: Door het bieden van closed-form limiting distributions en consistente schatters, vermijdt de methode de computationele last van permutatietesten of bootstrap-procedures, waardoor het schaalbaar is voor grote netwerkdatasets.

De auteurs merken op dat hoewel hun resultaten zijn vastgesteld onder begrensde, onafhankelijke Bernoulli-ruis, toekomstig werk deze limietstellingen zou kunnen uitbreiden naar heavy-tailed distributies of afhankelijke randstructuren. Daarnaast gaat de huidige analyse ervan uit dat de rang $k$ bekend is, en het integreren van onzekerheid bij rangselectie blijft een openstaande uitdaging.