[論文レビュー] How Do We Find Early Adopters Who Will Guide a Resource Constrained Network Towards a Desired Distribution of Behaviors?

Kaushik Sarkar, Hari Sundaram|arXiv (Cornell University)|Mar 24, 2013

Child Development and Digital Technology参考文献 11被引用数 9

ひとこと要約

本稿は、リソース制約のあるソーシャルネットワークにおける複数の高コスト行動の拡散をモデル化する新規モデルを提案する。個々の参加者は利得、社会的信号、利用可能なリソースに基づいて行動を採用する。初期採用者を特定するためのヒューリスティクスと、それらに行動を配分する手法を導入し、ナーブな手法に比べて15–51%高いリソース利用率を達成した。

ABSTRACT

We identify influential early adopters that achieve a target behavior distribution for a resource constrained social network with multiple costly behaviors. This problem is important for applications ranging from collective behavior change to corporate viral marketing campaigns. In this paper, we propose a model of diffusion of multiple behaviors when individual participants have resource constraints. Individuals adopt the set of behaviors that maximize their utility subject to available resources. We show that the problem of influence maximization for multiple behaviors is NP-complete. Thus we propose heuristics, which are based on node degree and expected immediate adoption, to select early adopters. We evaluate the effectiveness under three metrics: unique number of participants, total number of active behaviors and network resource utilization. We also propose heuristics to distribute the behaviors amongst the early adopters to achieve a target distribution in the population. We test our approach on synthetic and real-world topologies with excellent results. Our heuristics produce 15-51\% increase in resource utilization over the naïve approach.

研究の動機と目的

• 持続可能性や公衆衛生分野における集団行動の問題を解決するため、リソース制約下で高コスト行動がどのように拡散するかをモデル化すること。
• 個々のリソース制限、内発的利得、社会的影響を考慮した複数行動拡散モデルを構築すること。
• このようなネットワークにおいて期待されるリソース利用率を最大化するインパクトのある初期採用者を同定すること。
• ネットワーク全体における最終的な行動分布を望ましい分布に近づけるように、シードに行動を配分するためのヒューリスティクスを設計すること。
• 合成ネットワークおよび実世界のネットワークトポロジーにおいて、これらのヒューリスティクスの有効性を評価すること。

提案手法

• リソース制約のもとで利得を最大化する行動を採用する個人のモデルを形式化し、社会的信号と内発的利得を組み込む。
• 各行動が個人に依存しない固定コストと固定利得を持つとして、行動採用を利得最大化問題としてモデル化する。
• ノードの次数と予想される即時の採用確率に基づくシード選定ヒューリスティクスを提案し、性能向上を図るための勾配上昇法バリエーション（H7）を用いる。
• 初期分布を目標分布に比例させるヒューリスティクスを導入し、均衡状態におけるKLダイバージェンスを最小化する。
• 合成ネットワークおよび実世界のネットワーク（例：ca-GrQc）を用いたシミュレーションにより、3つの指標（参加者数、行動総数、リソース利用率）を評価する。
• 最終的な均衡状態における行動分布と目標分布との距離を測るため、KLダイバージェンスを用いる。

実験結果

リサーチクエスチョン

• RQ1 リソース制約のあるネットワークにおいて、複数行動拡散中にネットワークリソースの期待利用を最大化するように初期採用者をどのように選べるか。
• RQ2 初期採用者間での行動配分をどのように行うと、最終的なネットワーク行動分布が望ましい目標分布に最も近づくか。
• RQ3 リソース制約と行動コストは、ソーシャルネットワークにおける複数行動の拡散にどのように影響するか。
• RQ4 シード選定のためのヒューリスティクスは、ランダムまたはナーブなアプローチに比べて、リソース利用率と分布の正確性において優れているか。
• RQ5 低コスト行動と高コスト行動の拡散パターンにどのような差があるか。また、その差を補うためにシードへの割り当てをどのように戦略的に設計すべきか。

主な発見

• 期待されるリソース利用率を最大化するためのシード選定問題はNP完全であるため、効率的なヒューリスティクスの必要性が裏付けられる。
• 勾配上昇法を用いて即時の採用確率を最大化するH7ヒューリスティクスは、すべてのテスト対象ネットワークトポロジーにおいて、ランダム、ナーブ、次数ベース、リソース順位ベースのシード選定を常に上回る性能を示した。
• H7ヒューリスティクスはナーブなアプローチに比べて15–51%高いリソース利用率を達成しており、特にリソース制約が厳しいネットワークで最も高い向上が見られた。
• シードに割り当てる行動を目標分布に比例させる（すなわち、$ p_{seeds} = q $ と設定する）ことで、最終的な均衡分布におけるKLダイバージェンスが低くなる（例：ca-GrQcネットワークでは0.05）。
• 低コスト行動をわずかに低く、高コスト行動をわずかに高く割り当てることで、さらにKLダイバージェンスが低下し、目標分布との整合性が向上した。
• 低コスト行動は自然に高コスト行動よりも広がりやすい傾向にあり、このバイアスを補うために戦略的な行動配分が不可欠である。