异质网络群体的多层次假设检验
机器学习
2018-09-10 v1 机器学习
社会与信息网络
应用统计
摘要
本工作中，我们考虑每个观测值均为加权网络的 dataset 上的假设检验与异常检测。此类数据的例子包括来自 fMRI 血流数据的大脑连接网络，或个体群体的词共现计数。当前针对加权网络的假设检验方法通常需要对边权进行阈值化，将数据转化为二值网络。这导致信息损失，且结果对阈值水平的选择敏感。我们的工作避免了这一点，并在两种情形下考虑加权图观测：1) 每个图属于两个群体之一；2) 实体属于两个群体之一，且每个实体拥有多个图（例如按时间索引）。具体而言，我们提出一个层次贝叶斯假设检验框架，用加权网络的潜空间混合模型对每个群体建模，然后检验网络群体在分量分布上的差异。我们的框架能够进行群体层面、实体层面以及边层面的假设检验。我们将其应用于合成数据与三个真实世界数据集：两个社交媒体数据集（涉及 Twitter 上关于巴西政治动荡的讨论以及 Instagram 上关于注意缺陷多动障碍（ADHD）与抑郁药物的词共现），以及一个涉及人脑 fMRI 扫描的医学数据集。结果表明，与需要对边权阈值化的替代方法相比，我们提出的方法具有更低的 I 类错误和更高的统计功效。此外，它们表明我们提出的方法更适于处理高度异质的数据集。
引用
@article{arxiv.1809.02512,
title = {Multi-level hypothesis testing for populations of heterogeneous networks},
author = {Guilherme Gomes and Vinayak Rao and Jennifer Neville},
journal= {arXiv preprint arXiv:1809.02512},
year = {2018}
}