Representation Learning of Dynamic Networks
This study introduces a novel representation learning model for dynamic networks, capturing evolving relationships within a population. Framing the problem within functional data analysis, we represent dynamic networks as matrix-valued functions and embed them into a lower-dimensional functional space. This space preserves network topology while enabling attribute learning, community detection, and link prediction. Our model accommodates asymmetric embeddings to distinguish nodes' regulatory and receiving roles, ensuring continuity over time. Unlike discrete-time methods, our approach leverages a functional representation to infer network structures at unobserved time points. We validate our model through simulations and real-world applications, demonstrating superior link prediction accuracy compared to existing approaches. This work provides a statistical framework balancing representation learning capacity with interpretability, offering insights into dynamic network structures.
Apprentissage de la représentation des réseaux dynamiques
Cette étude présente un nouveau modèle d'apprentissage de la représentation pour les réseaux dynamiques, qui saisissent les relations évolutives au sein d'une population. En situant le problème dans le cadre de l'analyse des données fonctionnelles, nous représentons les réseaux dynamiques comme des fonctions à valeur matricielle et nous les intégrons dans un espace fonctionnel de dimension inférieure. Cet espace préserve la topologie du réseau tout en permettant l'apprentissage d'attributs, la détection de communautés et la prédiction de liens. Notre modèle prend en compte les encastrements asymétriques pour distinguer les rôles de régulation et de réception des nœuds, assurant ainsi une continuité dans le temps. Contrairement aux méthodes à temps discret, notre approche s'appuie sur une représentation fonctionnelle pour déduire les structures du réseau à des moments non observés. Nous validons notre modèle à l'aide de simulations et d'applications réelles, démontrant une précision de prédiction des liens supérieure à celle des approches existantes. Ce travail fournit un cadre statistique équilibrant la capacité d'apprentissage de la représentation et l'interprétabilité, offrant un aperçu des structures de réseaux dynamiques.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais