[論文レビュー] An Efficient Randomized Algorithm for Rumor Blocking in Online Social Networks

Guangmo Tong, Weili Wu+5 more|arXiv (Cornell University)|Jan 9, 2017

Complex Network Analysis Techniques参考文献 16被引用数 5

ひとこと要約

本稿では、オンラインソーシャルネットワークにおけるレアムブロッキングのための新しい確率的アルゴリズム、RBR（逆タプルに基づく確率的）を提案する。逆サンプリングとRタプルに基づく推定を活用することで、O(k·m·ln n / δ²)時間で(1−1/e−δ)-近似を達成し、性能保証が強く保たれる一方で、モンテカルロ法に比べて著しく高速である。

ABSTRACT

Social networks allow rapid spread of ideas and innovations while the negative information can also propagate widely. When the cascades with different opinions reaching the same user, the cascade arriving first is the most likely to be taken by the user. Therefore, once misinformation or rumor is detected, a natural containment method is to introduce a positive cascade competing against the rumor. Given a budget $k$, the rumor blocking problem asks for $k$ seed users to trigger the spread of the positive cascade such that the number of the users who are not influenced by rumor can be maximized. The prior works have shown that the rumor blocking problem can be approximated within a factor of $(1-1/e-δ)$ by a classic greedy algorithm combined with Monte Carlo simulation with the running time of $O(\frac{k^3mn\ln n}{δ^2})$, where $n$ and $m$ are the number of users and edges, respectively. Unfortunately, the Monte-Carlo-simulation-based methods are extremely time consuming and the existing algorithms either trade performance guarantees for practical efficiency or vice versa. In this paper, we present a randomized algorithm which runs in $O(\frac{km\ln n}{δ^2})$ expected time and provides a $(1-1/e-δ)$-approximation with a high probability. The experimentally results on both the real-world and synthetic social networks have shown that the proposed randomized rumor blocking algorithm is much more efficient than the state-of-the-art method and it is able to find the seed nodes which are effective in limiting the spread of rumor.

研究の動機と目的

• 影響推定にモンテカルロシミュレーションに依存する既存のレアムブロッキングアルゴリズムの計算非効率性を解消すること。
• スケーラブルで理論的にも有効なアルゴリズムを設計し、レアムブロッキング問題に対して強力な(1−1/e−δ)-近似比を維持すること。
• 計算コストの高いモンテカルロシミュレーションの代わりに、Rタプルに基づくより効果的な逆サンプリング技術を導入すること。
• 提案手法が、性能保証を損なわず、実際のネットワークおよび合成ネットワークにおいて優れた実行時間の性能を示すことを実証すること。

提案手法

• RBRアルゴリズムは、従来のモンテカルロシミュレーションに代わって、逆タプル（Rタプル）サンプリングを用いて、シードセットの期待影響を推定する。
• 2段階のアプローチを採用する：まず、Rタプルを用いて最適な影響を推定し、有望なシードセットを同定する。
• 推定誤差を制限し、高い確率での近似保証を確保するために、チェルノフの不等式を適用する。
• 推定された影響に応じて、動的にサンプリングの深さを調整することで、大規模ネットワークにおける効率性を向上させる。
• 影響関数の下流性を活用し、すべてのkサイズの部分集合に対して和集合の不等式を適用することで正しさを保証する。
• 理論的分析により、アルゴリズムがO(k·m·ln n / δ²)時間で実行され、高確率で(1−1/e−δ)-近似を返すことが証明されている。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロシミュレーションに比べ、レアムブロッキングにおける影響推定をより効率的に行うための確率的サンプリング手法を設計可能か？
• RQ2 大幅に短縮された実行時間で、(1−1/e−δ)-近似を達成することは可能か？
• RQ3 逆サンプリング技術は、ソーシャルネットワークにおけるレアムコンテナメントのための競合的カスケードモデルに適応可能か？
• RQ4 Rタプルに基づくサンプリングは、精度と効率の両面でモンテカルロシミュレーションに比べてどのように優れているか？
• RQ5 提案されたアルゴリズムの理論的時間計算量は何か？また、ネットワークサイズの増大に伴いスケーリングできるか？

主な発見

• RBRアルゴリズムは、高確率でレアムブロッキング問題に対して(1−1/e−δ)-近似比を達成する。
• アルゴリズムはO(k·m·ln n / δ²)時間で実行され、モンテカルロベースのグリーディアルゴリズムのΩ(k·m·n·poly(δ⁻¹))の複雑さに比べて著しく高速である。
• 実世界および合成ネットワークを用いた実験により、RBRは実行時間において既存手法を上回りつつ、強力な性能保証を維持することが示された。
• 逆タプルサンプリング手法は、標準的なモンテカルロシミュレーションに比べ、より正確で効率的な影響推定を実現する。
• 理論的分析により、アルゴリズムの誤差確率が有界であり、サンプリングを増やすことで減少することが確認され、信頼性が保証された。
• アルゴリズムはネットワークサイズに伴い良好にスケーリングされ、従来の手法が遅すぎて実用的でない大規模ソーシャルネットワークにおいても実用的である。