ニューラルネットワーク・ガウス過程による動的に変化するマルチプレックスグラフと節点属性の統合的学習：動的テロリズムグラフへの応用

概要: 多重グラフと節点属性の動的な相互共進化を探究することは、犯罪およびテロネットワークにおいて魅力的な問いである。本稿は、主要なテロ組織間における動的に進化する相互作用の研究に動機づけられており、組織のサイズ、イデオロギー、リーダーシップ、作戦能力といったさまざまな組織属性を考慮する。多重グラフと節点属性の統計的に原理に基づく統合は、観測されていないリンクの予測における不確実性を考慮しつつ、層内および層間で共有される情報を活用する必要があること、そして節点属性の時間的進化を捉える必要があることから、著しく困難である。層が部分的に観測される場合、これらの困難はさらに増す。これは、主要な関係を隠すために接続が意図的に秘匿されるテロネットワークに典型的である。これらの課題に対処するため、我々は多重グラフの層と節点属性を統合するための原理に基づく方法論的枠組みを提示する。提案手法は、グラフ構造とそれが節点属性と相互に共進化する様子を捉えるために、共有の潜在因子を活用する時変確率的潜在因子モデルを用いる。潜在因子は、無限に幅のある深層ニューラルネットワークに基づく共分散関数を用いたガウス過程としてモデル化され、ニューラルネットワーク・ガウス過程（NN-GP）と呼ぶ。潜在因子に対するNN-GPの枠組みは、ベイズ流の深層ニューラルネットワーク・アーキテクチャの予測力を活用しつつ、不確実性を伝播させて信頼性を高める。シミュレーション研究により、提案アプローチが推論上の目標を達成する上で優れた性能を示すことが明らかになる。このアプローチは「dynamic joint learner（動的ジョイント学習者）」と呼ばれ、主要なテロ組織間における多様な未観測の動的関係や、組織固有の属性について、不確実性付きの予測推論を可能にする。さらに、友か敵かという関係の観点でのクラスタリング挙動も推定でき、これらは対テロ研究にとって有益になり得る。