[論文レビュー] Influence Maximization with Semi-Bandit Feedback.

Zheng Wen, Branislav Kveton+1 more|arXiv (Cornell University)|May 21, 2016

Complex Network Analysis Techniques被引用数 6

ひとこと要約

本稿では、社会的ネットワークにおける半バンドイットフィードバック下でのオンラインインフルエンス最大化に対して、計算的に効率的なUCBベースのアルゴリズムであるIMLinUCBを提案する。本手法は、ネットワークのトポロジーとエッジ確率に依存する多項式レグレットバウンドを達成し、独立キャスケードモデル下での組み合わせ的半バンドイットインフルエンス最大化において、初めての理論的保証を提供する。

ABSTRACT

We study the online influence maximization problem in social networks under the independent cascade model. Specifically, we aim to learn the set of influencers in a social network online while repeatedly interacting with it. We address the challenges of (i) combinatorial action space, since the number of feasible influencer sets grows exponentially with the maximum number of influencers, and (ii) limited feedback, since only the influenced portion of the network is observed. Under a stochastic semi-bandit feedback, we propose and analyze IMLinUCB, a computationally efficient UCB-based algorithm. Our bounds on the cumulative regret are polynomial in all quantities of interest, achieve near-optimal dependence on the number of interactions and reflect the topology of the network and the activation probabilities of its edges, thereby giving insights on the problem complexity. To the best of our knowledge, these are the first such results. Our experiments show that in several representative graph topologies, the regret of IMLinUCB scales as suggested by our upper bounds. IMLinUCB permits linear generalization and thus is both statistically and computationally suitable for large-scale problems. Our experiments also show that IMLinUCB with linear generalization can lead to low regret in real-world online influence maximization.

研究の動機と目的

• 組み合わせ的行動空間と限られたフィードバックを伴うソーシャルネットワークにおけるオンラインインフレンス最大化を扱う。
• 部分観測下でも指数的サイズのインフルエンサー集合を扱える計算的に効率的なアルゴリズムを開発する。
• ネットワーク構造とエッジ活性化確率を反映した理論的レグレットバウンドを提供する。
• 大規模インフルエンス最大化問題におけるスケーラビリティを実現するための線形一般化を可能にする。

提案手法

• 本稿では、インフレンス最大化における半バンドイットフィードバックに特化したUCBベースのアルゴリズムであるIMLinUCBを提案する。
• 影響確率をモデル化するために線形一般化を用い、大規模ネットワークへのスケーラビリティを実現する。
• 探索と活用のバランスを図るために、影響拡散推定値の上側信頼区間を維持する。
• 各干渉後に影響を受けたノードのみを観測することで、半バンドイットフィードバックを活用する。
• レグレット解析にネットワークトポロジーとエッジ活性化確率を組み込む。
• 理論的分析により、ネットワーク構造と相互作用回数に依存する多項式レグレットバウンドを導出する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、組み合わせ的行動空間を伴うオンライン設定においてインフレンス最大化を効率的に解けるか？
• RQ2 独立キャスケードモデル下での半バンドイットフィードバックにおいて、どのようなレグレットバウンドが達成可能か？
• RQ3 ネットワークトポロジーとエッジ活性化確率は、オンラインインフレンス最大化の複雑さにどのように影響するか？
• RQ4 線形一般化は、バンドイットアルゴリズムと効果的に組み合わせられ、大規模ネットワークへのスケーリングを可能にするか？

主な発見

• IMLinUCBは、相互作用回数とネットワークサイズを含むすべての関連パラメータにおいて多項式レグレットバウンドを達成する。
• レグレットバウンドはネットワークのトポロジーとエッジの活性化確率を反映しており、問題固有の複雑さを捉えている。
• 複数の代表的なグラフトポロジーにおいて、アルゴリズムのレグレットスケーリングが理論的上界と整合している。
• 線形一般化を用いたIMLinUCBは、実世界のインフレンス最大化シナリオにおいて低レグレットを達成する。
• 提案手法は統計的に妥当であり、計算的にも効率的であり、大規模ネットワークへのスケーラビリティを実現する。