[論文レビュー] DANI: A Fast Diffusion Aware Network Inference Algorithm

Maryam Ramezani, Hamid R. Rabiee+2 more|arXiv (Cornell University)|Jun 3, 2017

Complex Network Analysis Techniques参考文献 41被引用数 3

ひとこと要約

DANIは、拡散カスケードデータから社会的ネットワークのトポロジーを再構築する際、コミュニティ構造を保持する新しいネットワーク推定アルゴリズムであり、拡散に配慮したコミュニティ保持最適化フレームワークを用いる。実験的および合成ネットワークにおいて、NETINF、DNE、MultiTreeといった最先端手法と比較して、高い精度と著しく高速な実行時間を達成している。

ABSTRACT

The fast growth of social networks and their privacy requirements in recent years, has lead to increasing difficulty in obtaining complete topology of these networks. However, diffusion information over these networks is available and many algorithms have been proposed to infer the underlying networks by using this information. The previously proposed algorithms only focus on inferring more links and do not pay attention to the important characteristics of the underlying social networks In this paper, we propose a novel algorithm, called DANI, to infer the underlying network structure while preserving its properties by using the diffusion information. Moreover, the running time of the proposed method is considerably lower than the previous methods. We applied the proposed method to both real and synthetic networks. The experimental results showed that DANI has higher accuracy and lower run time compared to well-known network inference methods.

研究の動機と目的

• 既存のネットワーク推定手法が、推定ネットワークにおけるコミュニティ構造といった重要な構造的性質を保持できないという限界に対処すること。
• 拡散カスケードデータ（感染時刻）を活用して、正確なネットワークトポロジーを再構築できるスケーラブルで効率的な推定アルゴリズムの開発。
• 将来的な応用のため、度数分布、クラスタ係数、モジュラリティといったコミュニティレベルの性質を維持する推定ネットワークの実現。
• NETINF、DNE、MultiTreeといった既存手法と比較して、計算コストを低減しつつ推定精度を向上させること。
• 構造的整合性が保たれることで、推定ネットワーク上で信頼性の高いコミュニティ検出を可能にすること。

提案手法

• DANIは、コミュニティ構造の制約を推定プロセスに組み込む最適化問題としてネットワーク推定を定式化する。
• 拡散ダイナミクスをシミュレートするための確率的プロセスモデルを用い、推定されたネットワークリンクを観測された感染時刻カスケードと一致させる。
• 推定されたコミュニティ内での密な接続と、コミュニティ間での疎な接続を促進するコミュニティ保持正則化項を適用する。
• カスケード観測とコミュニティ整合性に基づいて、反復的に推定ネットワーク構造を最適化するグリーディー最適化戦略を採用する。
• コミュニティ検出を検証ステップとして統合し、適合度とモジュラリティといった指標を用いて推定コミュニティと真値コミュニティを比較する。
• 本手法はカスケード長に依存しない設計となっており、カスケード期間に関わらず一貫した性能を発揮する。

実験結果

リサーチクエスチョン

• RQ1 拡散カスケードデータのみが利用可能な状況下で、ネットワーク推定アルゴリズムは元の社会的ネットワークのコミュニティ構造を保持できるか？
• RQ2 コミュニティ構造の制約を組み込むことで、ネットワーク推定の精度と効率はどのように変化するか？
• RQ3 DANIは、NETINF、DNE、MultiTreeといった既存手法と比較して、ネットワークトポロジーの再構築および構造的性質の保持においてどの程度優れているか？
• RQ4 DANIの性能は、異なるカスケード長およびネットワークタイプにおいても安定しているか？
• RQ5 構造的整合性が保たれる場合、推定ネットワークに対して信頼性の高いコミュニティ検出が可能になるか？

主な発見

• News of the Worldデータセットにおいて、DANIはDNE比でF1スコア15.84%向上、MultiTree比で94.83%向上、NETINF比で14.48%向上を達成した。
• NetScienceデータセットでは、DANIは次に優れた手法と比較して、推定ネットワークと元のネットワークのコミュニティ数の差を12.8%低減した。
• LinkedInデータセットにおいて、DANIはDNE比でPWF（重み付きF1の精度）平均29.08%向上、NETINF比で67.72%向上を達成した。
• DANIによる推定ネットワークの密度（0.0232）は、元のネットワーク（0.0403）にDNE（0.0433）よりもはるかに近づいており、構造的整合性が優れていることを示している。
• DANIの適合度値は、元のネットワークと一貫して近く、分散が0.00006にとどまり、コミュニティ品質の安定性を示している。
• DANIは、クラスタ係数および度数分布の両方を、DNEと比較して35.9%低い偏差で保持しており、両方の構造的性質の保持において全ベースラインを上回った。