Resumo Técnico: Graphons Decorados para Estimativa de Redes Temporais

Declaração do Problema

Dados de redes temporais de alta resolução, como redes de contato em hospitais ou escolas, exibem dinâmicas de arestas complexas e heterogêneas caracterizadas por periodicidade (ex: ciclos dia-noite), efeitos de memória e durações variáveis de interação. As abordagens de modelagem existentes enfrentam um compromisso fundamental:

1. Modelos de Blocos Estocásticos Dinâmicos (SBMs) e Modelos de Espaço Latente: Estes preservam a trocabilidade de nós (garantindo consistência sob subamostragem e a existência de um limite de grafo), mas frequentemente impõem suposições temporais restritivas, como parâmetros constantes por partes, independência condicional entre passos de tempo ou pontos de mudança predeterminados.
2. Modelos de Tempo Contínuo e Autorregressivos: Estes capturam padrões temporais refinados e efeitos de contágio, mas tipicamente sacrificam a trocabilidade de nós e dependem de especificações totalmente paramétricas com teoria assintótica personalizada.

Consequentemente, a área carece de um framework não paramétrico unificado para redes dinâmicas que simultaneamente garanta a trocabilidade de nós, acomode estruturas temporais ricas (como memória e periodicidade) e forneça taxas de convergência não paramétricas explícitas.

Metodologia

Os autores propõem um framework não paramétrico unificado baseado em graphons decorados (especificamente $2^\mathbb{N}$-graphons). Esta abordagem generaliza os graphons estáticos ao atribuir uma distribuição de probabilidade sobre sequências binárias infinitas para cada par de nós, em vez de uma única probabilidade de aresta.

O Modelo

• Estrutura Latente: Os nós são associados a coordenadas latentes $\xi_i \in [0,1]$ extraídas i.i.d. de uma distribuição uniforme.
• Aresta Decorada: Para cada par $(i, j)$, o processo de aresta é gerado amostrando uma sequência binária infin tracejada $A_{ij} = (A_{ij}^{(1)}, A_{ij}^{(2)}, \dots)$ de uma distribuição definida por uma função simétrica $W^*(\xi_i, \xi_j) \in \mathcal{P}(2^\mathbb{N})$.
• Trocabilidade: A distribuição conjunta da sequência de grafos é invariante sob permutação de nós, satisfazendo a trocabilidade global.
• Independência Condicional: Os processos de aresta são condicionalmente independentes dados os parâmetros latentes. O modelo não modela explicitamente o fechamento triádico ou efeitos de feedback entre arestas, confiando apenas em variáveis latentes para induzir dependência.

Procedimento de Estimativa em Duas Etapas

A estratégia de estimativa desacopla a modelagem temporal da estrutura da rede:

1. Estágio 1 (Estimativa ao Nível da Aresta): Cada série temporal de aresta observada $\{A_{ij}^{(t)}\}_{t=1}^T$ é ajustada com um modelo paramétrico flexível (ex: taxa de Bernoulli, kernel de Markov ou processo autorregressivo). Isso gera um resumo de parâmetro de nível de aresta $\lambda_{ij} = \Lambda(A_{ij})$, onde $\Lambda$ é uma função estimadora determinística.
   • Requisito: O estimador $\Lambda$ deve satisfazer condições de regularidade suaves (Assunção 3), especificamente que o erro de estimativa seja sub-Gaussiano e o viés seja limitado.
2. Estágio 2 (Estimativa da Estrutura da Rede): Os resumos $\{\lambda_{ij}\}$ são agregados para estimar o graphon decorado subjacente. Isso é alcançado via mínimos quadrados por blocos:
   • Os nós são agrupados em $k$ grupos.
   • Uma matriz simétrica de parâmetros de bloco $Q \in \mathcal{X}^{k \times k}$ é estimada minimizando a distância ao quadrado entre os resumos observados $\lambda_{ij}$ e os parâmetros do modelo $Q_{z(i)z(j)}$.
   • Isso efetivamente ajusta um modelo de blocos estocásticos aos estatísticos de aresta estimados.

Principais Contribuições

1. Framework Teórico

O artigo estabelece que qualquer processo de grafo valorado de nós trocáveis admite uma representação como um $2^\mathbb{N}$-graphon. Isso fornece um objeto limite não paramétrico coerente para redes dinâmicas, unindo o hiato entre limites de grafos estáticos e dinâmicas temporais.

2. Taxas de Convergência

Os autores derivam taxas de convergência não paramétricas para o estimador $\hat{\theta}$ (os parâmetros de bloco estimados) em dois regimes:

• Regime de Modelo de Blocos: Para um modelo de $k$-blocos real, o erro quadrático médio escala como:
  $$\frac{1}{n^2} \sum_{i,j} \|\hat{\theta}_{ij} - \theta_{ij}\|_X^2 \leq C \left[ \psi^2 \left( \frac{k^2}{n^2} + \frac{\log k}{n} \right) + \beta^2 \right]$$
  onde $\psi^2$ representa a variância do estimador de nível de aresta (escalando com $1/T$ para processos de Bernoulli) e $\beta$ representa o viés.
• Regime de Suavidade Hölder: Para graphons suaves $W \in H^\alpha(M)$, a taxa é:
  $$\frac{1}{n^2} \sum_{i,j} \|\hat{\theta}_{ij} - \theta_{ij}\|_X^2 \leq C \left( (1+\psi^2)n^{-2\alpha/(\alpha+1)} + \psi^2 \frac{\log n}{n} + \beta^2 \right)$$
  Os autores provam que para $\alpha < 1$, esta taxa é minimax ótima para o componente centrado no nó, mesmo com replicação temporal.

3. Modularidade e Generalidade

O framework é "plug-and-play" em relação às dinâmicas temporais. Desde que um processo de aresta pertença a uma família paramétrica com um estimador assintoticamente consistente que satisfaça a Assunção 3, ele pode ser integrado. O artigo demonstra explicitamente isso para:

• Processos de Bernoulli: Onde $\lambda_{ij}$ é a média empírica.
• Cadeias de Markov de Ordem M: Onde $\lambda_{ij}$ é a matriz de probabilidades de transição empíricas. A teoria contabiliza tempos de mistura e limites de distribuição estacionária.
• Cadeias com Variação Periódica no Tempo: Tratadas através da expansão do espaço de estados para incluir fases temporais.

Resultados e Ilustrações Empíricas

Dados Simulados

• Graphon Contínuo com Cadeias de Markov: Experimentos em dados sintéticos gerados por um graphon de 2-cadeia de Markov mostra que, conforme o número de nós ($n$) e os passos de tempo ($T$) aumentam, os mapas de calor de transição estimados convergem para o graphon real. O erro diminui com $n$ e $T$, mas é limitado inferiormente pelo erro de aproximação não paramétrica ($n^{-2\alpha/(\alpha+1)}$) para um $n$ fixo.
• Modelo de Blocos com Processos BALARM: Usando dados gerados por um modelo BALARM de 3 blocos (Süveges & Olhede, 2023), o método recuperou com sucesso o número real de blocos ($k=3$) usando o Critério de Informação Bayesiano (BIC) e o BIC Hierárquico, mesmo quando a suavidade real ou a contagem de blocos eram desconhecidas.

Dados Reais: Rede de Contato Hospitalar

O método foi aplicado a uma rede de contato de alta resolução de uma unidade hospitalar (46 profissionais de saúde, 29 pacientes, 4 dias).

• Configuração: Os dados foram agregados em intervalos de 15 minutos. Um SBM decorado de 3 blocos com cadeias de Markov periódicas de 1ª ordem foi ajustado.
• Achados: O modelo recuperou três comunidades de nós latentes que se alinharam com funções profissionais (Administrativo/Médico, Enfermeiros, Pacientes).
• Padrões Temporais: As probabilidades de contato variáveis no tempo estimadas revelaram ritmos diários distintos:
  • Administrativo/Médico: Pico agudo pela manhã.
  • Enfermeiro-Enfermeiro: Probabilidade alta sustentada ao longo do dia.
  • Paciente-Enfermeiro/Paciente-Paciente: Ritmo bimodal com picos nas rondas matinais e nas trocas de turno da noite.
• Comparação: Os resultados alinharam-se com os seis grupos de arestas identificados por Süveges e Olhede (2023), mas forneceram detalhes intradia mais finos e capturaram potenciais saltos nas probabilidades que modelos paramétricos suaves poderiam perder.

Significância e Alegações

O artigo posiciona o framework de graphon decorado como um baseline não paramétrico para análise de redes dinâmicas. Sua principal significância reside em:

1. Conciliação de Trocabilidade e Dinâmica: Ele alcança a trocabilidade de nós sem sacrificar a capacidade de modelar dependências temporais complexas como memória e periodicidade.
2. Garantias de Convergência Explícitas: Ao contrário de muitos modelos de redes dinâmicas, este framework fornece taxas de convergência não paramétricas explícitas que dependem tanto do tamanho da rede ($n$) quanto da janela de observação temporal ($T$).
3. Modularidade: Ao separar a estimativa temporal de nível de aresta da recuperação da estrutura da rede, o método permite que pesquisadores utilizem modelos temporais avançados (ex: cadeias de Markov de ordem superior) sem alterar as garantias teóricas da etapa de estimativa de rede.

Os autores reconhecem limitações: o modelo assume independência condicional das arestas dados os parâmetros latentes (excluindo o fechamento triádico explícito) e requer que os processos de aresta sejam estimáveis com viés e variância limitados. No entanto, eles argumentam que essa restrição é necessária para fornecer um limite não paramétrico bem definido e garantias de convergência, algo que modelos dinâmicos totalmente acoplados e mais complexos atualmente carecem.