从发射事件推断大规模计算机网络的时变功能连接性
机器学习
2018-02-13 v1 社会与信息网络
最优化与控制
摘要
我们考虑从节点发出的稀疏事件时间序列推断大规模计算机网络功能连接性的问题。我们在以下三个领域特定约束下进行： (a) 由于网络中未知的时间变化导致功能连接性的非平稳性， (b) 事件时间序列的稀疏性限制了基于经典相关分析的有效性，以及 (c) 缺乏描述事件如何在网络中传播的显式模型。在假设两个节点功能连接的概率与其各自事件间平均延迟相关的前提下，我们开发了一种推断方法，其输出为一个无向加权网络，其中两节点间边的权重表示这些节点功能连接的概率。通过使用窗口化与卷积的组合，在每个时间窗口计算量化节点对快速连续发出事件可能性的分数，我们开发了时变连接性模型，其参数通过最大化模型从一个时间窗口到下一窗口的预测能力来确定。为评估推断方法的有效性，我们构建了具有可用真实值的合成数据，并用这些数据将我们的方法与三种最先进的推断方法进行基准比较。最后我们讨论了其在真实世界大规模计算机网络数据上的应用。
引用
@article{arxiv.1802.04036,
title = {Inferring the time-varying functional connectivity of large-scale computer networks from emitted events},
author = {Antoine Messager and George Parisis and Istvan Z Kiss and Robert Harper and Phil Tee and Luc Berthouze},
journal= {arXiv preprint arXiv:1802.04036},
year = {2018}
}