[論文レビュー] From Micro to Macro: Uncovering and Predicting Information Cascading Process with Behavioral Dynamics

Linyun Yu, Peng Cui+3 more|arXiv (Cornell University)|May 27, 2015

Complex Network Analysis Techniques参考文献 12被引用数 7

ひとこと要約

本稿では、感染ノードがその隣接ノードへ及ぼす影響の時間変動的広がりをモデル化することで、ネットワーク内における情報カスケードの完全な動的進化を予測する新規フレームワークを提案する。微視的行動ダイナミクスを捉えるためのネットワーキング・ワイブル回帰モデルと、理論的保証を備えたスケーラブルな集約手法を用い、実世界のデータ上でのカスケードサイズ、発症タイミング、および完全なプロセス軌道予測において、最先端手法を著しく上回る性能を発揮する。

ABSTRACT

Cascades are ubiquitous in various network environments. How to predict these cascades is highly nontrivial in several vital applications, such as viral marketing, epidemic prevention and traffic management. Most previous works mainly focus on predicting the final cascade sizes. As cascades are typical dynamic processes, it is always interesting and important to predict the cascade size at any time, or predict the time when a cascade will reach a certain size (e.g. an threshold for outbreak). In this paper, we unify all these tasks into a fundamental problem: cascading process prediction. That is, given the early stage of a cascade, how to predict its cumulative cascade size of any later time? For such a challenging problem, how to understand the micro mechanism that drives and generates the macro phenomenons (i.e. cascading proceese) is essential. Here we introduce behavioral dynamics as the micro mechanism to describe the dynamic process of a node's neighbors get infected by a cascade after this node get infected (i.e. one-hop subcascades). Through data-driven analysis, we find out the common principles and patterns lying in behavioral dynamics and propose a novel Networked Weibull Regression model for behavioral dynamics modeling. After that we propose a novel method for predicting cascading processes by effectively aggregating behavioral dynamics, and propose a scalable solution to approximate the cascading process with a theoretical guarantee. We extensively evaluate the proposed method on a large scale social network dataset. The results demonstrate that the proposed method can significantly outperform other state-of-the-art baselines in multiple tasks including cascade size prediction, outbreak time prediction and cascading process prediction.

研究の動機と目的

• 情報カスケードの完全な時間的進化を、最終的なサイズのみにとどまらず、予測することに挑戦すること。
• ネットワーク内でのマクロスケールのカスケーディングプロセスを駆動する微視的メカニズム（行動ダイナミクス）を理解すること。
• 局所的な行動ダイナミクスを正確なマクロスケールのカスケード予測に統合するためのスケーラブルで理論的根拠を持つ手法を開発すること。
• カスケードサイズ予測、発症時刻予測、および完全なプロセス予測を統合した単一の予測フレームワークを構築すること。

提案手法

• 行動ダイナミクスを微視的メカニズムとして導入：各感染ノードがその隣接ノード（1ホップのサブカスケード）に対して時間経過に伴い蓄積される影響の広がりを定義。
• サブカスケードの生存に類似したダイナミクスを統計的に捉えるためのネットワーキング・ワイブル回帰モデルを提案し、影響拡散タイミングの解釈可能で一般化可能なモデリングを可能にする。
• 個々のノードの行動ダイナミクスを統合してグローバルなカスケード予測を生成するスケーラブルな集約手法を設計し、近似精度に関する理論的保証を備える。
• 観測された初期段階の感染時刻を用いて、各ノードのサブカスケードにおけるワイブル分布のパラメータ（尺度および形状）をデータ駆動で推定する手法を採用。
• 対数尤度最大化を用い、対数凹関数を有する尤度関数により、グローバル収束性と安定なパラメータ推定を保証。
• 理論的分析により、尤度関数にグローバル最大値が存在することを証明し、行動ダイナミクスモデルのパラメータ最適化の信頼性を確保。

実験結果

リサーチクエスチョン

• RQ1 情報カスケードの完全な時間的進化は、初期段階のダイナミクスから予測可能か？
• RQ2 ネットワーク内でのマクロスケールのカスケーディングプロセスの背後にある微視的メカニズムは何か？
• RQ3 ノードがその隣接ノードへ影響を及ぼす時間的変動的広がりとして定義される行動ダイナミクスは、どのように効果的にモデリングされ、予測に活用できるか？
• RQ4 個々の行動ダイナミクスを正確なグローバルなカスケード予測に集約するためのスケーラブルで理論的根拠を持つ手法を開発可能か？
• RQ5 従来のカスケードレベル特徴量と比較して、行動ダイナミクスをモデリングすることで予測性能がどのように向上するか？

主な発見

• 提案されたネットワーキング・ワイブル回帰モデルは、個々のノードからの影響拡散の非線形的かつ時間変動的性質を効果的に捉えており、多様なカスケードにわたって一貫したパターンを明らかにしている。
• 任意の将来時刻におけるカスケードサイズ予測において、最先端のベースラインと比較して顕著な性能向上を達成し、予測誤差が低減している。
• 発症時刻の予測においても、既存のアプローチを上回る精度を示し、カスケードが臨界閾値に達する時期を的確に特定できることを裏付けた。
• 理論的分析により、尤度関数にグローバル最大値が存在することが確認され、行動ダイナミクスモデルのパラメータ推定が安定的かつ信頼性があることを保証した。
• 大規模な実世界のソーシャルネットワークデータセットを用いた広範な実験により、全カスケードプロセス予測を含む複数の予測タスクにおいて、本手法の優位性が実証された。