[論文レビュー] DISCO: Influence Maximization Meets Network Embedding and Deep Learning

Hui Li, Mengting Xu+4 more|arXiv (Cornell University)|Jun 18, 2019

Complex Network Analysis Techniques参考文献 40被引用数 23

ひとこと要約

DISCOは、ネットワーク埋め込みと深層強化学習を統合した画期的な深層学習フレームワークを提案し、影響拡散の推定においてコストがかかる拡散サンプリングを回避する。従来のサンプリングベースの手法と比較して、高い効率性と優れた影響拡散品質を実現し、影響最大化分野で最先端の性能を達成する。

ABSTRACT

Since its introduction in 2003, the influence maximization (IM) problem has drawn significant research attention in the literature. The aim of IM is to select a set of k users who can influence the most individuals in the social network. The problem is proven to be NP-hard. A large number of approximate algorithms have been proposed to address this problem. The state-of-the-art algorithms estimate the expected influence of nodes based on sampled diffusion paths. As the number of required samples have been recently proven to be lower bounded by a particular threshold that presets tradeoff between the accuracy and efficiency, the result quality of these traditional solutions is hard to be further improved without sacrificing efficiency. In this paper, we present an orthogonal and novel paradigm to address the IM problem by leveraging deep learning models to estimate the expected influence. Specifically, we present a novel framework called DISCO that incorporates network embedding and deep reinforcement learning techniques to address this problem. Experimental study on real-world networks demonstrates that DISCO achieves the best performance w.r.t efficiency and influence spread quality compared to state-of-the-art classical solutions. Besides, we also show that the learning model exhibits good generality.

研究の動機と目的

• 影響最大化（IM）における拡散サンプリングの高い計算コストを低減するため、それを学習された影響推定モデルに置き換えること。
• 深層強化学習とネットワーク埋め込みを用いて、部分的シード集合Sを入力として与えた際のノードvの期待影響を予測するフレームワークを開発し、繰り返しのサンプリングを回避すること。
• シード選択順序に依存しない安定した影響マッピングを学習することで、k個のシードノードを同時に選択することを可能にすること。
• 同じ構造的性質を持つネットワーク間で、トレーニング済みモデルの一般化能力を示すこと。
• 最先端のサンプリングベースIMアルゴリズムと比較して、影響拡散品質と計算効率のトレードオフを優れて達成すること。

提案手法

• DISCOは、各ノードおよび部分グラフのネットワークトポロジーを低次元ベクトル表現に変換するためのネットワーク埋め込みを用いる。
• 深層強化学習を用いて、部分的シード集合Sが与えられた際のノードvの期待影響を予測する関数 $\tilde{\sigma}(v,S;\Theta)$ のマッピングを学習する。
• 影響拡散に基づく報酬信号を用いてエンドツーエンドの学習を可能にし、真の影響ラベルが不要となる。
• 反復的なランダムな入れ替えサンプリング（RIS）の必要性を回避し、直接的に学習関数を用いて影響を予測する。
• 影響予測関数は、シード集合の更新に対しても安定であるように設計されており、すべてのk個のシードを同時に選択可能である。
• マルチホップ近傍集約メカニズムにより、最大4ホップまでの構造的特徴を捉え、重みは学習されたアテンションパラメータで決定される。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、高コストな拡散サンプリングに依存せずに、ソーシャルネットワークにおける期待影響拡散を正確に推定できるか？
• RQ2 新しいシードがシード集合に追加された場合、学習された影響予測モデルは安定性と一貫性を保つのか？
• RQ3 提案されたフレームワークは、最先端のサンプリングベースIMアルゴリズムと比較して、より高い影響拡散品質と効率性を達成できるか？
• RQ4 トレーニング済みモデルは、構造的に類似したが異なるネットワーク間でどの程度一般化できるか？
• RQ5 深層学習ベースの影響予測器を用いて、k個のシードノードを同時に選択することが可能か？

主な発見

• DISCOは、実世界のネットワークにおいて、比較対象のすべての手法と比較して最高の影響拡散品質を達成し、最先端のサンプリングベースアルゴリズムを上回る。
• 繰り返しの拡散サンプリングの必要性を排除することで、著しく計算コストを削減し、優れた効率性を示している。
• 学習された影響予測モデルは、複数の同型ネットワークにわたって良好に一般化され、同じネットワークタイプの新規インスタンスに対しても再トレーニングが不要である。
• 予測の安定性のおかげで、シード選択後のノードの相対的影響順位が大きく変化しないため、kノードを同時に選択することが可能である。
• 理論的分析により、ノードペア間の影響予測の期待差が $\sum_{i=1}^{4}\frac{2i|\overline{N(v)}|^{i}}{n^{2}}$ で有界であることが示され、シード集合の変更に対して頑健であることが裏付けられた。
• 実験的結果により、DISCOがRISベースの手法よりも少ない計算リソースで、最適な影響拡散の $ (1 - 1/e - \epsilon) $-近似を達成していることが確認された。