动态网络的多分辨率分析与统计阈值化
机器学习
2026-03-17 v3
摘要
检测动态网络数据中的结构变化具有广泛的应用。现有方法通常将数据划分为时间区间，提取每个区间内的网络特征，然后随时间比较这些特征。这在提取特征的时间分辨率与统计稳定性之间引入了固有的权衡。尽管这种权衡让人联想到信号处理中的时频权衡，但大多数方法依赖于固定的时间分辨率。选择合适的分辨率参数通常很困难，并且在网络安全等领域可能尤其成问题，因为异常行为可能在多个时间尺度上出现。我们通过提出 ANIE（自适应网络强度估计，Adaptive Network Intensity Estimation）来解决这一挑战，这是一个多分辨率框架，旨在自动识别网络结构演变的时间尺度，从而实现对快速和缓慢变化的联合检测。我们的方法将交互建模为泊松过程，分两步进行：（1）估计节点行为的低维子空间，以及（2）推导一组新的经验亲和系数，用于量化潜在因子之间交互强度的变化，并支持跨时间尺度的结构变化的统计检验。我们为子空间估计和亲和系数的渐近行为提供了理论保证，从而实现了基于模型的变化检测。在合成网络上的实验表明，ANIE 能够适应适当的时间分辨率，并且能够捕捉尖锐的结构变化，同时对噪声保持鲁棒。此外，对真实世界数据的应用展示了 ANIE 的多分辨率方法在检测结构变化方面相对于固定分辨率方法的实际优势。
引用
@article{arxiv.2506.01208,
title = {Multiresolution Analysis and Statistical Thresholding on Dynamic Networks},
author = {Raphaël Romero and Tijl De Bie and Nick Heard and Alexander Modell},
journal= {arXiv preprint arXiv:2506.01208},
year = {2026}
}