[論文レビュー] Boosting Nodes for Improving the Spread of Influence

Konstantinos Liontis, Evaggelia Pitoura|arXiv (Cornell University)|Sep 12, 2016

Complex Network Analysis Techniques参考文献 11被引用数 4

ひとこと要約

この論文は、固定されたシードノードから影響力拡散を最大化するために、小さなノード集合を特定して強化する「ブースト集合選択問題」を導入する。MoBoo や TMoBoo といった効率的なアルゴリズムを提案し、最も確率の高い経路を活用することで、グリーディ法よりも桁違いに高速に最適なブースト集合の順序を近似する。その結果、同程度の影響力拡散効果を達成しており、多くの場合、より多くのシードノードを追加する効果を上回る。

ABSTRACT

Information diffusion in networks has received a lot of recent attention. Most previous work addresses the influence maximization problem of selecting an appropriate set of seed nodes to initiate the diffusion process so that the largest number of nodes is reached. Since the seed selection problem is NP hard, most solutions are sub-optimal. Furthermore, there may be settings in which the seed nodes are predetermined. Thus, a natural question that arise is: given a set of seed nodes, can we select a small set of nodes such that if we improve their reaction to the diffusion process, the largest increase in diffusion spread is achieved? We call this problem, the boost set selection problem. In this paper, we formalize this problem, study its complexity and propose appropriate algorithms. We also evaluate the effect of boosting in a number of real networks and report the increase of influence spread achieved for different seed sets, time limits in the diffusion process and other diffusion parameters.

研究の動機と目的

• シードノードが事前に決定されているか、最適でない場合の影響力拡散の最大化という課題に取り組む。
• ブースト集合選択問題を形式化する：影響力拡散の増加が最大になるように、k 個のノードを選んで強化する（例：影響力の確率を高める、または活性化遅延を短くする）。
• 問題の計算複雑性を検討し、NP困難かつ非サブモジュラーであることを示す。
• グリーディ法よりもスケーリングに優れた効率的な近似アルゴリズムを設計する。
• 時間、予算、シードの質といった異なるパラメータを想定した、実世界のネットワークにおけるブースティングの影響を評価する。

提案手法

• ノードの影響力確率の増加、または活性化遅延の短縮によるブースティングを形式化し、遅延を考慮する独立キャスケード（LAIC）フレームワークに統合する。
• 最も確率の高い影響力伝搬経路をトレースすることで、高い影響を持つノードを特定する「最も確率の高い経路アルゴリズム」（MoBoo）を提案する。この際、遅延は考慮しない。
• ノード固有の遅延を組み込むことで経路推定の正確性を向上させる、MoBoo の時間依存拡張版である TMoBoo を導入する。
• 単一の最も確率の高い経路を超えて、複数の独立した影響力経路を考慮する MIIP アルゴリズムを設計する。
• シードノードに近いノードを優先して、ブースト候補として選ぶ近接性ベースのアルゴリズムを開発する。
• 実データセットを用いたシミュレーション評価により、異なるパラメータ下でのアルゴリズムの性能と影響力拡散の結果を比較する。

実験結果

リサーチクエスチョン

• RQ1 シードノードが固定または最適でない場合、少数のノードの反応性を向上させることで、影響力拡散を著しく増大させることができるか？
• RQ2 ブースト集合選択問題は計算的に扱いやすく、その複雑度クラスは何か？
• RQ3 ブースティングによる影響力拡散の増加は、より多くのシードノードを追加する効果を上回るか？
• RQ4 時間制約、予算配分、ノード活性化確率が、ブースティングの有効性にどのように影響するか？
• RQ5 効率的な近似アルゴリズムは、スピードと影響力拡散の両面でグリーディベースラインを上回ることができるか？

主な発見

• ブースト対象をわずか数個にとどめても、特にブースト対象数がシード数に近づくと、複数の新しいシードノードを追加するのと同等、あるいはそれ以上の影響力拡散が達成される。
• TMoBoo アルゴリズムは、グリーディベースラインと同等の影響力拡散を達成するが、実行速度は桁違いに高速である。
• MoBoo と TMoBoo は、グリーディ法と比べて著しく効率的でありながら、同程度の影響力拡散増加を達成するブースト集合を返す。
• ブーストの予算（b）を増やすと、影響力拡散も比例的に増加する。これは、ユーザーの反応性がシード選択と同等に重要であることを示している。
• 低活動ネットワーク（例：活性化確率が小さいネットワーク）でさえも、少数のノードをブーストすることで、ブーストなしの高活動ネットワークと同等の拡散を達成できる。
• 最初の時間単位（1st-tu）におけるノードの影響力確率の向上戦略が、特に高予算レベルで最大の拡散増加をもたらす。