Numéro spécial : analyse de mélanges

Exact integrated completed likelihood maximisation in a stochastic block transition model for dynamic networks

[Maximisation d’un critère exact de classification pour un modèle des blocs latents pour les réseaux dynamiques]

Rastelli, Riccardo

Journal de la société française de statistique, Numéro spécial : analyse de mélanges, Tome 160 (2019) no. 1, pp. 35-56

Abstract (VO)

The latent stochastic block model is a flexible and widely used statistical model for the analysis of network data. Extensions of this model to a dynamic context often fail to capture the persistence of edges in contiguous network snapshots. The recently introduced stochastic block transition model addresses precisely this issue, by modelling the probabilities of creating a new edge and of maintaining an edge over time. Using a model-based clustering approach, this paper illustrates a methodology to fit stochastic block transition models under a Bayesian framework. The method relies on a greedy optimisation procedure to maximise the exact integrated completed likelihood. The computational efficiency of the algorithm used makes the methodology scalable and appropriate for the analysis of large network datasets. Crucially, the optimal number of latent groups is automatically selected at no additional computing cost. The efficacy of the method is demonstrated through applications to both artificial and real datasets.

Résumé

Le modèle des blocs latents est un modèle statistique largement utilisé et très flexible. Les extensions de ce modèle à l’analyse des réseaux dynamiques ne peut pas capturer la persistance des liens dans les temps contigus. Le modèle des blocs latents avec des transitions aborde cette question et modélise la propension à créer et à maintenir les liens dans les temps. On présente ici une extension bayésienne de ce modèle et une nouvelle méthodologie pour la classification des nœuds. La méthode repose sur une procédure d’optimisation afin de maximiser un critère exact de classification. L’algorithme est très efficace et rend la méthodologie appropriée pour l’analyse de grands ensembles de données de réseaux. De plus, l’algorithme sélectionne le nombre optimal de groupes latents sans aucun coût supplémentaire. L’efficacité de la méthode est démontrée par des applications à des ensembles de données artificielles et réelles.

Détail

Keywords: stochastic block transition models, dynamic networks, integrated completed likelihood, greedy optimisation, clustering
Mots-clés : modèle des blocs latents avec des transitions, réseaux dynamiques, vraisemblance complétée intégrée, algorithme glouton, partitionnement de données