[論文レビュー] Collaborative Inference of Coexisting Information Diffusions

Yanchao Sun, Cong Qian+2 more|arXiv (Cornell University)|Aug 23, 2017

Tensor decomposition and applications参考文献 19被引用数 4

ひとこと要約

本稿では、共存する複数の情報拡散をスパースな4次テンソル（共存拡散テンソル、CDT）としてモデル化し、異種制約を用いた低ランクテンソル近似を適用することで、複数の共存する情報拡散の欠落した履歴を共同で再構築する協調推論モデル（CIM）を提案する。さらに、スケーラブルで高精度な推論を実現するためのタイムウインドウベースの並列分解アルゴリズム（TWPDA）を導入し、実データおよび合成データ上で、単一拡散手法に比べて精度と効率の両面で顕著な向上を達成する。

ABSTRACT

Recently, extit{diffusion history inference} has become an emerging research topic due to its great benefits for various applications, whose purpose is to reconstruct the missing histories of information diffusion traces according to incomplete observations. The existing methods, however, often focus only on single information diffusion trace, while in a real-world social network, there often coexist multiple information diffusions over the same network. In this paper, we propose a novel approach called Collaborative Inference Model (CIM) for the problem of the inference of coexisting information diffusions. By exploiting the synergism between the coexisting information diffusions, CIM holistically models multiple information diffusions as a sparse 4th-order tensor called Coexisting Diffusions Tensor (CDT) without any prior assumption of diffusion models, and collaboratively infers the histories of the coexisting information diffusions via a low-rank approximation of CDT with a fusion of heterogeneous constraints generated from additional data sources. To improve the efficiency, we further propose an optimal algorithm called Time Window based Parallel Decomposition Algorithm (TWPDA), which can speed up the inference without compromise on the accuracy by utilizing the temporal locality of information diffusions. The extensive experiments conducted on real world datasets and synthetic datasets verify the effectiveness and efficiency of CIM and TWPDA.

研究の動機と目的

• 複数の情報拡散が共存する現実世界のソーシャルネットワークにおいて、不完全な拡散履歴を再構築する課題に対処すること。
• データスパarsityと拡散モデルに関する事前知識の欠如を、共存する拡散同士の相乗的関係を活用することで克服すること。
• 時間的局所性を活用し、並列分解アルゴリズムを設計することで、大規模ネットワークにおけるスケーラブルな推論を可能にすること。
• 外部データソースからの異種制約をテンソル分解プロセスに統合することで、推論精度を向上させること。

提案手法

• CIMは、特定の拡散モデルを仮定せずに、複数の共存する情報拡散をスパースな4次テンソル（共存拡散テンソル、CDT）としてモデル化する。
• CDTの低ランク近似を用いた協調的推論により、ノード、時間、拡散タイプの間で潜在的なパターンを捉える。
• ユーザーの活動パターンやネットワーク構造などの追加データソースから得られる異種制約を、テンソル分解に統合して精度を向上させる。
• タイムウインドウベースの並列分解アルゴリズム（TWPDA）は、CDTを時間軸に沿って分割することで時間的局所性を活用し、並列計算を可能にする。
• TWPDAは近似精度に損なわれることなく、大規模ネットワークにおける分解プロセスの高速化を顕著に実現する。
• 反復最適化フレームワークを用いて、低ランクテンソル近似と制約統合を同時に最適化する。

実験結果

リサーチクエスチョン

• RQ1 複数の共存する情報拡散にわたる協調的推論は、単一拡散手法に比べて、欠落した履歴再構築の精度を向上させることができるか？
• RQ2 外部データソースからの異種制約を、テンソルベースの拡散推論に効果的に統合する方法は何か？
• RQ3 情報拡散における時間的局所性をどれほど活用できるか？ また、精度を損なわずにスケーラブルで並列な分解アルゴリズムを設計できるか？
• RQ4 本稿で提案するCIMモデルは、観測スパarsityが異なる実世界および合成データセットにおいて、精度と効率の両面でどの程度の性能を示すか？

主な発見

• CIMは、特にデータスパarsityが高い状況下でも、最先端の単一拡散推論手法を顕著に上回る性能を示し、欠落した拡散履歴の再構築において優れた精度を達成する。
• 異種制約の統合により、テスト済みのデータセット全体で平均して最大25%の精度向上が達成され、外部知識の価値が明確に示された。
• TWPDAは、逐次ベースライン手法に比べて分解時間に最大10倍の高速化を達成し、近似精度に顕著な損失が認められなかった。
• CIMは、Twitter や Epinions などの多様な実世界データセットにおいて、観測スパarsityの異なる状況下でも安定した性能を維持した。
• CDTの低ランク近似は、個々の拡散トレースが極めて不完全であっても、裏にある拡散パターンを効果的に捉えることができた。