Показаны сообщения с ярлыком степенной закон. Показать все сообщения
Показаны сообщения с ярлыком степенной закон. Показать все сообщения

среда, 20 марта 2019 г.

Скандалы, интриги, расследования и степенной закон


Есть вещи, за которыми можно наблюдать бесконечно. Течение ручья, пламя костра, скандалы, интриги, расследования вокруг степенного закона в сетях. Итак, напомним, чем закончилась предыдущая серия нашего шоу. В начале 2018 года Анна Бройдо и Аарон Клаузет публикуют на arxiv препринт “Scale-free network are rare”. В этой статье на обширном эмпирическом материале они показывают, что на самом деле степени центральности у сетей обычно распределены лог-нормально, а не в соответствии со степенным законом. Иными словами, модель безмасштабных сетей, разработанная А.-Л. Барабаши и Р. Альтерт, может быть ошибочной.
Реакция общественности была разная. Кто-то посчитал это важным эмпирическим результатом, кто-то посетовал на недостаточное количество хороших исследований по сетям и жажду хайпа, а Альберт-Ласло Барабаши призвал коллег думать не об эмпирических подтверждениях, а о механизмах, формирующих социальные системы. Обсуждения в Твиттере были такими жаркими и насыщенными, что ученые уже не казались отстраненными обитателями башни из слоновой кости. Это была практически дуэль в прямом эфире!


Разница между случайными и реальными (например, социальными) сетями. В случайных сетях (слева) у каждого узла примерно одинаковое количество связей. В реальных сетях (справа) есть небольшая группа узлов с очень большим количеством связей, однако большинство узлов имеют достаточно малое количество связей. Источник изображения.


Прошел год, но интерес к теме не утихает. Наконец, статья Бройдо и Клаузет вышла в Nature Communications. Петер Холм в своем комментарии для Nature Communications постарался увязать между собой и теоретическую модель Барабаши-Альберт, и эмпирические результаты Бройдо и Клаузета. При этом в конце 2018 подоспела статья (пока тоже на arxiv) про то, что “scale-free network well done”. Не будем удивляться, что большинство авторов статьи из Northeastern University, где работает и Барабаши, один из основателей модели безмаштабных сетей.
И вот, анализируя то, что происходит, хочется задать вопрос - почему это распределение вызывает столько дебатов? Ведь подавляющее большинство исследователей охотятся не за распределениями, а за объяснением того, что за механизм лежит в основе этих распределений. Барабаши и Альберт не открывали Америку, механизм предпочтительного присоединения в социальных науках известен давно. Это эффект Матфея, по которому распределение благ происходит неравномерно. В случае сетей - популярные люди с течением времени становятся все более популярными. И если эффект Матфея работает и в случае социальных, и других типов сетей, то это важный механизм. Однако могут ли какие-то отдельные особенности распределения и его хвостов опровергнуть этот эффект? В общем, продолжаем следить за сериалом и размышляем, будет ли в результате этой дискуссии выявлен еще какой-то интересный содержательный результат или все же нет. Не хотелось бы, чтобы именитые ученые тратили бы ресурсы на борьбу за амбиции.

среда, 31 января 2018 г.

Итоги месяца: январь




Источник изображения
                                            

                                    Про конференции, школы и интересные события

понедельник, 29 января 2018 г.

Безмасштабные сети и сферические коровы

Теория сетей покоится на трех столпах. Первый основополагающий принцип сетевой теории – это гомофилия. Это значит, что похожие люди будут формировать друг с другом связи. Второй – транзитивность, то есть друг моего друга – мой друг. Третий – социальные сети безмаштабны (scale-free). Иными словами, распределение степеней вершин в сети подчиняется степенному закону – в сети присутствует большое количество людей, у которых очень мало связей, и совсем немного тех, у кого связей очень много. И в начале этого года третий столп решили подпилить.

Распределение центральности в случайных графах и реальных социальных сетях. На графике слева мы видим нормальное распределение, то есть все акторы в среднем имеют одинаковое количество связей. На графике справа мы видим распределение по степенному закону, то есть в сети есть небольшая доля акторов с очень большим количеством связей, но большинство имеет достаточно малое количество связей. Рисунок с сайта Network Science

Безмасштабность сетей подробно изучается уже почти 20 лет Альбертом-Ласло Барабаши и его группой. Они  проанализировали гигантское количество сетей и в каждой из них обнаружили подтверждение степенного закона.
Однако исследователи Анна Бройдо и Аарон Клаузет (про него можно подробно почитать тут) из университета Колорадо и Санта Фе проанализировали около тысячи социальных, биологических, технологических и информационных сетей и на днях пришли к выводу, что не все так однозначно с этими сетями. В технологических и биологических сетях распределение больше похоже на безмасштабное, а вот в социальных сетях оно уже лог-нормальное. То есть много людей, у которых среднее количество связей. А вот в животном мире как раз много тех, кто живет изолированно, а активно взаимодействующих особей очень мало.

Cферическая корова. Источник изображения.

Результаты Бройдо и Клаузета сейчас очень активно обсуждают. Кто-то хвалит исследователей за смелость, кто-то призывает заниматься насущными проблемами, а не изучать в сотый раз распределение центральностей. Выдвигаются и конспирологические теории. Некоторые подозревают, что дискуссия была искусственно создана для подогрева интереса к конференции NetSci, организатором и вдохновителем которой является сам  А.-Л. Барабаши. В Твиттер-обсуждении статьи А.-Л. Барабаши, написал, что «Каждые пять лет кто-то с ужасом пишет, что степенной закон не подходит ко многим реальным сетям. На самом деле у реальных сетей могут быть отклонения и приписывать его [степенной закон] ко всем сетям все равно, что вписывать корову в шар». 

воскресенье, 14 января 2018 г.

Дюшаны и Микеланджело в социальных исследованиях

Часто в социальных науках ученые выстраивают дизайн исследования, будто они Микеланджело. У Микеланджело есть идея сделать Давида, и он его делает, он не ищет кусок мрамора, который бы напоминал Давида. Иными словами, у таких исследователей есть теория, и они проверяют, насколько она жизнеспособна в реальном мире.
Есть также и другого рода социальные исследователи, которые действуют скорее как Марсель Дюшан. Дюшан берет уже существующую вещь из повседневности и переделывает ее в объект искусства. Эти исследователи сначала наблюдают какое-то явление в реальной жизни, и только потом пытаются его объяснить. Это сравнение разных типов исследователей - пример из новой книги "Бит по биту" о вычислительных социальных науках.
Такой пример, несомненно, достаточно грубо разбивает социальных исследователей на две группы. Мэтью Салганик, автор книги и профессор в Принстонском университете, пишет, что в эпоху цифровых исследований в социальных науках будут и те, и другие, Дюшаны не заменят Микеланджело, чего многие опасаются.

Фонтан Марселя Дюшана как аналогия readymade подхода к социальным исследованиям. Пример из книги "Бит по биту" М. Салганика, автор фото А. Стиглих, 1917. Источник: Wikimedia Commons.
Давид Микеланджело как пример custommade подхода к социальным исследованиям. Пример из книги "Бит по биту" М. Салганика. Источник.

После известной статьи в журнале Wired о конце социальной теории представления исследователей о социальных исследованиях слегка пошатнулись. Эта статья вышла еще десять лет назад, в 2008 году, и очень точно очертила перемены, которые начали происходить в социальных науках в то время. Перемены заключались в том, что раньше процесс научного исследования был таков: мы выдвигаем гипотезы, тестируем их и получаем результаты, которые подтверждают или опровергают наши изначальные предположения (напоминает Микеланджело, правда?). Сегодня же набор данных настолько массивен и возможностей для их анализа так много, что времени и желания на то, чтобы изучать теорию, выдвигать гипотезы и только так, постепенно, шаг за шагом двигаться к результатам, нет. Такой подход от данных к теории также сравнивается с философией Гугла, который не знает точно, почему одна страница лучше другой, но если статистика посещений говорит об этом, уже этого для многих простых задач достаточно. Алгоритмы могут без подробного изучения того, что же на самом деле происходит, предложить человеку соответствующую рекламу или переводить с одного языка на другой. Конечно, они иногда ошибаются, но как иначе работать с огромным массивом данных?

Иллюстрация М. Бантьеса "Все модели ложные, но некоторые полезны" к статье в Wired 23 июня 2008 года о конце теории. Источник

Действительно, кого сегодня волнует, почему люди что-то делают? Важно то, что они это делают, и мы можем это зафиксировать и измерить даже в тех случаях, когда они ошибаются, врут или забывают. Например, известно, что в опросах люди склонны выбирать социально желательные пункты, даже если опрос анонимный. В то же время, ответы на некоторые сенситивные вопросы можно сравнить с их индикаторами в поисковых запросах. Можно посмотреть, какое количество людей признает, что они гомосексуальны и ищет соответствующее порно; сравнить, что люди говорят о количестве сексуальных контактов и как обсуждают онлайн то, что партнер больше не хочет секса; что люди говорят о расизме, и что они на самом деле ищут по этой теме, формируя запросы таким образом, что все мусульмане становятся террористами.
Конечно, было много критики этой статьи из Wired и последующая дискуссия, в которой было признано, что все это - непозволительное упрощение того, как действительно работают социальные ученые. Большинство исследователей работают в колесе теории и данных, где мы мечемся между теорией и результатами, постоянно возвращаясь то к одному, то к другому. Эти дискуссии не прошли стороной, и некоторые исследователи сегодня говорят, что они занимаются вычислительными социальным науками, давая понять, что они отличаются от более классических подходов. Иными словами, они все в душе немного Дюшаны. Но чем они отличаются от классических социальных исследователей?
Первый признак, который приписывается вычислительным социальным наукам - это интерес к изучению социальных законов. Эти исследователи часто интересуются универсальными паттернами человеческого поведения, и именно по этой причине в вычислительных социальных науках так много физиков. Наглядный пример - это степенной закон в социальных сетях. Если мы посмотрим на популярность акторов (на распределение центральностей) в социальной сети, то мы увидим интересную закономерность. В этой сети будет очень мало чрезвычайно популярных акторов и достаточно много - непопулярных. Например, если подумать о своих друзьях и ближайших знакомых, можно по пальцам пересчитать 2-3 людей, которые действительно имеют невообразимо большое количество друзей и знакомых. Остальные, скорее всего, связаны на среднем уровне - они не сетевые звезды, но имеют достаточно количество друзей и знакомых, чтобы не чувствовать себя совсем одинокими. Это универсальный социальный закон, и многие исследователи из вычислительных социальных наук это доказали - распределение центральностей в социальных сетях устроено именно так. Если бы распределение друзей было случайно, то оно бы имело форму нормального распределения, когда все в среднем в одинаковой степени знают друг друга, и нет сетевых звезд или совсем одиноких людей.


Распределение центральности в случайных графах и реальных социальных сетях. На графике слева мы видим нормальное распределение, то есть все акторы в среднем имеют одинаковое количество связей. На графике справа мы видим распределение по степенному закону, то есть в сети есть небольшая доля акторов с очень большим количеством связей, но большинство имеет достаточно малое количество связей. Рисунок с сайта Network Science

В то же время, вычислительные социальные науки часто критикуют за чрезмерную описательность. Редко можно встретить глубокий анализ социальных процессов, которые стоят за обнаруженным социальным законом или закономерностью. Например, почему все люди имеют разное число друзей? Одно из простых объяснений в том, что кто-то более общительный, а кто-то - менее, у людей разные потребности в общении с окружающим миром, разные психологические характеристики. Также, общество так устроено, что не у всех есть доступ ко всем возможным ресурсам социальной сети. Может быть, каждый хотел бы быть сетевой звездой, чтобы при любом трудном случае можно было быстро активизировать свои контакты и попросить о помощи. Это невозможно, потому что наши связи - это также результат социального неравенства. Например, предположим, что в школьный класс переводится ученица, которая отличается по национальности, социальному положению и успеваемости от всего остального класса. Как бы она не старалась завязать хорошие отношения со всем классом, скорее всего, это ей будет даваться сложно, ввиду изначального социального неравенства по другим характеристикам. Можно придумать еще несколько объяснений того, почему в социальных сетях мы наблюдаем сетевой закон. Но часто исследователи из вычислительных социальных наук забывают о том, что социальные законы намного интереснее интерпретировать, чем просто наблюдать.
Второй признак вычислительных социальных наук - это расширение набора методов, которые допустимо использовать в социальных науках. Как правило, это изучение социальных законов с использованием вычислительных подходов и новых для социальных наук методов. Это агентное моделирование, машинное обучение, сетевой анализ, онлайн-эксперименты. Большинство работ в этой области используют данные о поведении людей из онлайна, например, это перемещения по городу, выбор жилья на Airbnb, лайки и комментарии, сеть связей в онлайн сети.
В целом, для вычислительных социальных наук важно то, что социальный мир - это результат интеракций между людьми. Изучая поведение людей, мы можем что-то понять в целом об обществе. В свою очередь, это общество и определяет наши паттерны интеракций друг с другом. Получается такой же замкнутный круг “микро-макро”, как и колесо “теория-данные”. Напоследок, советуем посмотреть короткое видео о так называемой “лодке Колмана”, которая разъясняет, где микро-, а где макроуровни, и как все это удивительным образом переплетено в нашем непростом социальном мире.




Что еще почитать на тему:
* Книгу "Бит по биту" можно читать онлайн на сайте самой книги.
* Совсем недавно вышла статья, поясняющая различия между вычислительными социальными науками и аналитической социологией: можно почитать полный текст по этой ссылке.
* Как пример работ, которые используют подход вычислительных социальных наук, можно почитать свежую статью про то, как совы и жаворонки (те, кто поздно или рано встает) по-разному дружат, и про то, что существует число Данбара для мест, которые мы посещаем.

среда, 25 мая 2016 г.

Женщины, которые изучают сети

Мы пишем об исследователях (например, здесь и здесь), которые внесли и вносят большой вклад в сетевые исследования. Среди выдающихся ученых много женщин, и в этом посте мы расскажем о нескольких из них.

        Река Альберт
    Река Альберт изучала свойства различных сетей (социальных, нейронных, интернет-сетей). Со своим коллегой Альбертом-Ласло Барабаши они зафиксировали интересную закономерность в развитии сетей. Оказалось, что во многих сетях присутствует небольшое число вершин с высокой центральностью, другими словами, с большим числом связей. У остальных же узлов в среднем связей достаточно мало.


Река Альберт. Источник фотографии.

        Барабаши и Альберт была предложена модель формирования и динамики сетей (модель предпочтительного присоединения). Согласно этой модели, вероятность присоединения к узлу в сети пропорциональна ее степени центральности. То есть, популярные со временем будут становиться еще популярнее. 

Динамика предпочтительного присоединения. Размер вершины пропорционален степени центральности. Источник.

        Сегодня Река профессор университета штата Пеннсильвания. Она занимается биофизикой и активно использует инструментарий сетевого анализа в своих работах.

        Мишель Гирван


Мишель Гирван. Источник фотографии.

     Мишель Гирван совместно с Марком Ньюманом разработали один из самых распространенных подходов к выявлению сообществ в сетях. В методе Ньюмана-Гирван для каждого из ребер сети вычисляется степень посредничества (edge betweenness), после чего узел с наибольшей степенью посредничества удаляется из сети. Алгоритм повторяется до тех пор, пока социальная сеть не разделится на четко выделенные сообщества. 


Этапы алгоритма Ньюмана-Гирван. Источник.

       После завершения работы с Ньюманом Мишель углубилась в биофизику. Сейчас она работает в университете Мэриленда и занимается анализом биологических сетей.

       Кэтрин Фауст
       Кэтрин Фауст одна из наиболее известных женщин-сетевиков. Она много лет работает в университете Ирвайн в Калифорнии и занимается разработкой статистических подходов для анализа структуры сетей. Кэтрин написала (совместно со Стэнли Вассерманом) самый известный учебник по анализу социальных сетей «Анализ социальных сетей: методы и приложения» («Social Network Analysis: Methods and Applications»). 
 

Кэтрин Фауст. Источник фотографии.

       В фокусе исследований Фауст сети, построенные на аффилиациях акторов (статья 1, статья 2), структурная эквивалентность и многое другое. На сегодняшний день внимание Кэтрин посвящено изучению социальной структуры сообществ животных

        Мартина Моррис


Мартина Моррис. Источник фотографии.

 Мартина Моррис из университета Вашингтона много лет изучает распространение заболеваний, передающихся половым путем через социальные сети и разрабатывает методы сетевой эпидемиологии (работы об этом можно почитать здесь и здесь). Проект EpiModel, созданный с участием Моррис, позволяет моделировать распространение болезней по социальным сетям