[論文レビュー] Influence Minimization Under Budget and Matroid Constraints: Extended Version

Sourav Medya, Arlei Silva+1 more|arXiv (Cornell University)|Jan 8, 2019

Complex Network Analysis Techniques参考文献 42被引用数 8

ひとこと要約

本稿では、予算およびマトロイド制約下でエッジを戦略的に削除することにより、データ駆動型のアプローチでソーシャルネットワーク内の影響拡散を最小化する手法を提案する。連続的緩和と丸め込みを用いたサブモジュラ最適化を用い、既存のベースラインと比較して最大40％の影響低減を達成する新規の近似アルゴリズムを導入する。理論的保証として近似品質と近似不能性の境界が与えられる。

ABSTRACT

Recently, online social networks have become major battlegrounds for political campaigns, viral marketing, and the dissemination of news. As a consequence, ''bad actors'' are increasingly exploiting these platforms, becoming a key challenge for their administrators, businesses and the society in general. The spread of fake news is a classical example of the abuse of social networks by these actors. While some have advocated for stricter policies to control the spread of misinformation in social networks, this often happens in detriment of their democratic and organic structure. In this paper we study how to limit the influence of a target set of users in a network via the removal of a few edges. The idea is to control the diffusion processes while minimizing the amount of disturbance in the network structure. We formulate the influence limitation problem in a data-driven fashion, by taking into account past propagation traces. Moreover, we consider two types of constraints over the set of edge removals, a budget constraint and also a, more general, set of matroid constraints. These problems lead to interesting challenges in terms of algorithm design. For instance, we are able to show that influence limitation is APX-hard and propose deterministic and probabilistic approximation algorithms for the budgeted and matroid version of the problem, respectively. Our experiments show that the proposed solutions outperform the baselines by up to 40%.

研究の動機と目的

• ソーシャルネットワークにおける誤情報および悪意あるアクターの影響拡散を、ネットワーク構造の破壊を伴わずに制限する課題に対処すること。
• 歴史的伝播トレースを用いて影響最小化をデータ駆動型問題として形式化し、特定の拡散モデルに依存しないこと。
• 予算制約およびマトロイド制約の両方の下で影響制限問題を検討し、より柔軟かつ公平なネットワーク変更を可能にすること。
• 予算制約およびマトロイド制約付き両方のバージョンに対して、効率的な近似アルゴリズムを設計し、理論的性能保証を提供すること。
• 実世界のデータセットを用いた実験的評価を通じて、提案手法の優れた性能とスケーラビリティを示すこと。

提案手法

• 歴史的伝播トレースに基づき、影響を単調なサブモジュラ関数としてモデル化することで、影響最小化をサブモジュラ最適化問題として定式化する。
• 効率的な最適化を可能にするために、影響関数の連続的緩和を導入し、その後で確率的丸め込みとスワップ丸め込みを用いて離散解を回復する。
• サブモジュラ性を活用した貪欲法を予算制約付きバージョンに適用し、(1-1/e)-近似保証を達成する。
• マトロイド制約を導入して構造的公平性を確保し、サブネットワークへの不均衡な影響を回避する。単純な予算制限を超えた一般化を実現する。
• L-還元を用いてAPX-hard性を証明し、両問題バージョンの近似比に対する下界として(1-1/e)を確立する。
• 連続的グリーディー法と丸め込みスキーム（RRおよびSR）を用いて、高品質な解を効率的に計算する。実行時間はグラフサイズおよび候補エッジ集合に支配される。

実験結果

リサーチクエスチョン

• RQ1 特定の拡散モデルを仮定せずに、歴史的伝播トレースを用いて影響最小化を効果的に定式化できるか？
• RQ2 予算制約とより一般的なマトロイド制約の下で、影響最小化アルゴリズムの性能はどのように異なるか？
• RQ3 これらの制約下での影響最小化に対して達成可能な近似保証は何か。また、理論的限界は何か？
• RQ4 提案されたアルゴリズムは、ベースラインと比較して、影響低減効果および計算効率の面でどのように異なるか？
• RQ5 提案手法は、大規模な実世界ネットワークに対しても、高品質な解を維持したままスケーラブルに動作するか？

主な発見

• 連続的グリーディー法に確率的丸め込み（CG+RR）を組み合わせた手法は、FXSデータセットにおいて、ベースライン手法と比較して最大8％の影響低減を達成した。
• CG+RRアプローチは、より大きなグラフにおいてGRRよりも最大9％の影響低減を達成し、20万ノードのネットワークでは約1.5時間の実行時間であった。
• 予算制約付きバージョンはAPX-hardであり、(1-1/e)より良い要因での近似は不可能であることが示され、理論的限界が確立された。
• マトロイド制約付きバージョンにおいても、連続的緩和と丸め込みにより(1-1/e)-近似保証が達成され、強い理論的裏付けがある。
• 確率的丸め込み（RR）は、より複雑なスワップ丸め込み（SR）と同等の結果を出しつつ、はるかに高速であるため、大規模用途に実用的である。
• 実験的結果から、提案手法はベースライン手法と比較して、最大40％の影響低減を達成しており、強力な実用的有効性が示された。