[論文レビュー] Adaptive Influence Maximization in Social Networks: Why Commit when You can Adapt?

Sharan Vaswani, Laks V. S. Lakshmanan|arXiv (Cornell University)|Apr 27, 2016

Advanced Bandit Algorithms Research参考文献 11被引用数 9

ひとこと要約

本稿では、以前のシード活性化からのリアルタイムフィードバックに基づいてシード選択を更新する、適応的インフルエンス最大化戦略を提案する。これは、すべてのシードを事前に確定する非適応的アプローチとは対照的である。主な貢献は、目標インフルエンススパンに到達するためのシード数を顕著に削減できる適応的ポリシーの有効性を示したことである（MinTss）。一方、スパンを最大化する際の利点（MaxSpread）は限定的であり、特に時間制限のある条件下で顕著である。

ABSTRACT

Most previous work on influence maximization in social networks is limited to the non-adaptive setting in which the marketer is supposed to select all of the seed users, to give free samples or discounts to, up front. A disadvantage of this setting is that the marketer is forced to select all the seeds based solely on a diffusion model. If some of the selected seeds do not perform well, there is no opportunity to course-correct. A more practical setting is the adaptive setting in which the marketer initially selects a batch of users and observes how well seeding those users leads to a diffusion of product adoptions. Based on this market feedback, she formulates a policy for choosing the remaining seeds. In this paper, we study adaptive offline strategies for two problems: (a) MAXSPREAD -- given a budget on number of seeds and a time horizon, maximize the spread of influence and (b) MINTSS -- given a time horizon and an expected number of target users to be influenced, minimize the number of seeds that will be required. In particular, we present theoretical bounds and empirical results for an adaptive strategy and quantify its practical benefit over the non-adaptive strategy. We evaluate adaptive and non-adaptive policies on three real data sets. We conclude that while benefit of going adaptive for the MAXSPREAD problem is modest, adaptive policies lead to significant savings for the MINTSS problem.

研究の動機と目的

• 非適応的インフルエンス最大化の限界を解消するため、フィードバックなしに事前にすべてのシードを選択する必要があるという点に焦点を当てる。これは現実世界の性能が最適でない原因となる。
• 2つの主要な問題に対する適応的戦略を検討する：MaxSpread（シード予算と時間枠内でのインフルエンススパンの最大化）とMinTss（目標スパンに到達するためのシード数の最小化）。
• 特に時間制限のある条件下で、適応的戦略の実用的利点を定量化すること。これは現実のソーシャルネットワークにおいて顕著である。
• 特にSMAC（逐次モデルベース最適化）を用いたスケーラブルな最適化技術の開発と評価。これは効果的な適応的シーディングポリシーを学習するためのものである。
• 実データセット上で適応的および非適応的ポリシーを実証的に比較し、スパン、シード数、実行時間の観点から性能を測定する。

提案手法

• マーケターがバッチ単位でシードを選択し、実際の拡散結果を観測し、フィードバックに基づいて将来のシード選択を更新する適応的フレームワークを提案する。
• 2つの問題を導入する：MaxSpread（予算と時間枠内でのスパンの最大化）とMinTss（目標スパンに到達するためのシード数の最小化）、両者とも時間枠が制限されている・ない状況を含む。
• マージナルゲインに基づいてバッチ単位でシードを選択するグリーディ適応的ポリシーを採用。バッチサイズとインターバンティム（間隔時間）は調整可能なパラメータである。
• 時間制限のある状況で、SMAC（逐次モデルベース最適化）を用いて最適な適応的ポリシーを探索する。ポリシーの設定（バッチサイズ、間隔時間）をハイパーパrameterとして扱う。
• Flixster、NetHEPT、Epinionsの3つの実世界ネットワークを用い、500通りのネットワーク状態（真の世界）を想定してモンテカルロシミュレーションを実施し、期待されるパフォーマンスを推定する。
• サブモジュラ関数の理論的境界を用いて、グリーディ適応的ポリシーの性能を正当化する。特定の条件下で、適応的戦略が明確な優位性を示すことを示している。

実験結果

リサーチクエスチョン

• RQ1 実世界のソーシャルネットワークにおいて、シード選択の適応的戦略は非適応的戦略に比べてインフルエンススパンをどの程度向上させるか？
• RQ2 時間制限のある状況下で、バッチサイズとインターバンティムが適応的インフルエンス最大化のパフォーマンスに与える影響は何か？
• RQ3 非適応的戦略と比較して、適応的戦略は目標スパンに到達するためのシード数をどの程度削減できるか（MinTss問題において）？
• RQ4 時間制約下で、SMACベースの最適化は、高いパフォーマンスを示す適応的シーディングポリシーを効果的に発見できるか？
• RQ5 適応的戦略の利点は、MaxSpread問題とMinTss問題で顕著に異なるか。その理由は何か？

主な発見

• MinTss問題において、適応的ポリシーは非適応的ポリシーと比較して、目標スパンに到達するためのシード数を最大で30–50%削減できる。特に時間制限のある状況で顕著である。
• 時間制限のある状況（例：T=10）では、SMACが、Flixsterで80%の目標スパンに到達するためのシード数を非適応的戦略の200に対して171.11にまで削減し、不足分はわずか10.54ノードにとどまる。
• MaxSpreadにおいては、適応的戦略の利点は限定的である。グリーディな非適応的戦略と比較して顕著に優れているとは言えない。サブモジュラリティが発動した後、限界利得の減少が顕著になるためである。
• 時間枠が非常に短い（T=10）状況下でも、適応的ポリシーはほぼ最適なパフォーマンスを達成できる。Tが増加するにつれ、非適応的戦略の200から適応的戦略の177.33にまでシード数が減少する。
• 適応的バッチ・グリーディポリシーでは、フィードバックサイクルが少ないため、実行時間は顕著に短くなる。Flixsterデータセットでは、バッチサイズが大きくなるに従い、計算時間も明確に減少する。
• Tがネットワーク径（D）を超えると、適応的ポリシーはより大きなインターバンティム（例：T=1000で12）を用いることができる。これは、フィードバックを効果的に活用しつつ、シード選択の頻度に過剰に投資しないことを示している。