[論文レビュー] Adaptive Influence Maximization under General Feedback Models

Guangmo Tong, Ruiqi Wang|arXiv (Cornell University)|Feb 1, 2019

Advanced Bandit Algorithms Research参考文献 17被引用数 10

ひとこと要約

本稿は、拡散ラウンドの後、完全に終了するまで待たずに固定間隔でシードノードを選択する、適応的影響拡散最大化（AIM）の一般化されたフィードバックモデルを導入する。観測を待つか早期に行動するかのトレードオフを分析するためのキーメトリクスとしてレグレットレシオを提案し、非適応的サブモジュラリティ設定下でのグリーディ方針の最初の近似解析を提供する。一般化されたフィードバックモデル下で、グリーディ戦略の(1−e−1/α(Tg))-近似境界が示された。

ABSTRACT

Influence maximization is a prototypical problem enabling applications in various domains, and it has been extensively studied in the past decade. The classic influence maximization problem explores the strategies for deploying seed users before the start of the diffusion process such that the total influence can be maximized. In its adaptive version, seed nodes are allowed to be launched in an adaptive manner after observing certain diffusion results. In this paper, we provide a systematic study on the adaptive influence maximization problem, focusing on the algorithmic analysis of the scenarios when it is not adaptive submodular. We introduce the concept of regret ratio which characterizes the key trade-off in designing adaptive seeding strategies, based on which we present the approximation analysis for the well-known greedy policy. In addition, we provide analysis concerning improving the efficiencies and bounding the regret ratio. Finally, we propose several future research directions.

研究の動機と目的

• 一般化されたフィードバックモデル下で、問題が適応的サブモジュラリティを満たさない場合の適応的影響拡散最大化（AIM）の理論的分析のギャップを埋めること。
• 現実世界の制約（固定観測間隔、観測制限など）を捉える一般化されたフィードバックモデルを形式化すること。
• 観測を待つか早期にシードを配置するかのトレードオフを定量化する性能指標として、レグレットレシオを導入すること。
• 適応的サブモジュラリティの範囲外にある一般化されたフィードバックモデル下でのグリーディ方針の最初の近似解析を提供すること。
• 複雑な観測制約下での適応的シーディングの実用的意義および今後の研究方向性を探ること。

提案手法

• 1つのシードがd回の拡散ラウンドごとに選択される一般化されたフィードバックモデルを提案（d ∈ ℤ⁺ ∪ {∞}）。これは、Myopic（d=1）およびFull Adoption（d=∞）モデルを一般化する。
• 観測品質とシーディングの早期化のトレードオフを測る指標としてレグレットレシオを導入し、完全な拡散を待たないコストを捉える。
• 意思決定木フレームワークを用いてグリーディ方針を分析し、観測あたりの影響増加を表すα(Tg)を用いて、(1−e−1/α(Tg))-近似境界を導出する。
• 非適応的サブモジュラリティ設定への応用を検討し、先行研究で用いられる標準的な適応的サブモジュラリティ仮定を超えて一般化する。
• バッチモードのシーディングおよび柔軟な観測モデル（制限付きまたはプローブベースのエッジ観測を含む）への拡張を検討する。
• ネットワーク状態からの観測可能なエッジの確率分布として一般化されたフィードバックをモデル化し、柔軟かつ現実的な観測モデルを可能にする。

実験結果

リサーチクエスチョン

• RQ1 問題が適応的サブモジュラリティを満たさない場合、適応的影響拡散最大化においてグリーディ方針の性能を理論的に分析するにはどうすればよいか？
• RQ2 適応的シーディングにおいて、より多くの観測を待つか早期に行動するかのトレードオフを定量化する有効な指標は何か？
• RQ3 フィードバックモデルの選択（例：d=1 と d=∞）は、影響拡散の広がりとグリーディシーディングのパフォーマンスにどのように影響するか？
• RQ4 適応的サブモジュラリティを満たさない一般化されたフィードバックモデル下で、グリーディ方針の近似比をどのようにバインドできるか？
• RQ5 観測制限付きまたは柔軟な観測モデルは、適応的シーディング戦略およびその理論的分析にどのような影響を及ぼすか？

主な発見

• レグレットレシオは、適応的影響拡散最大化における観測品質とシーディングの早期化の根本的トレードオフを捉える、新規のメトリクスとして導入された。
• 本稿は、適応的サブモジュラリティを満たさない一般化されたフィードバックモデル下でのグリーディ方針の最初の近似解析を提供し、(1−e−1/α(Tg))-近似境界を確立した。
• 分析結果は、問題が適応的サブモジュラリティを満たさない場合でも、グリーディ方針が強力なパフォーマンスを維持できることを示し、従来の仮定を超えてグリーディ手法の適用範囲を拡大した。
• 実験により、ほとんどの設定で適応的シーディング戦略が非適応的戦略を著しく上回ることを示し、提案モデルの実用的価値を裏付けた。
• 一般化されたフィードバックモデルは、固定の展開スケジュール、観測制限、ラウンドに依存しない観測トリガーといった現実世界の制約を柔軟にモデル化可能である。
• 本フレームワークは、先行モデル（MyopicおよびFull Adoptionフィードバック）を一般化し、将来的にプローブベースやイベント駆動型観測メカニズムへの拡張を可能にする。