从单张快照重建图扩散历史
机器学习
2024-06-04 v4 社会与信息网络
摘要
图上的扩散无处不在，并具有众多高影响力应用。在这些应用中，完整的扩散历史对于识别动态模式、反思预防行动以及预测干预效果至关重要。尽管重要，完整的扩散历史极少可得，且由于不适定性、爆炸式搜索空间与训练数据稀缺，重建极具挑战。迄今，用于扩散历史重建的方法寥寥，它们均基于最大似然估计（MLE）形式，且需已知真实扩散参数。本文研究一个更困难的问题，即从单张快照重建扩散历史（DASH），我们仅从最终快照重建历史，且不知真实扩散参数。我们从理论分析入手，揭示了 MLE 形式的一个根本局限。我们证明：（a）由于扩散参数估计的 NP 困难性，扩散参数的估计误差不可避免；（b）MLE 形式对扩散参数估计误差敏感。为克服 MLE 形式的固有局限，我们提出一种新颖的重心形式：寻找历史后验分布的重心，该形式可证明对扩散参数估计误差稳定。我们进一步开发了名为 DIffusion hiTting Times with Optimal proposal（DITTO）的有效求解器，将问题归约为通过 Metropolis–Hastings Markov chain Monte Carlo 方法（M–H MCMC）估计后验期望命中时间，并采用无监督图神经网络学习最优提议以加速 M–H MCMC 收敛。我们进行了大量实验以证明所提方法的有效性。
引用
@article{arxiv.2306.00488,
title = {Reconstructing Graph Diffusion History from a Single Snapshot},
author = {Ruizhong Qiu and Dingsu Wang and Lei Ying and H. Vincent Poor and Yifang Zhang and Hanghang Tong},
journal= {arXiv preprint arXiv:2306.00488},
year = {2024}
}
备注
Full version of the KDD 2023 paper (including the appendix)