[論文レビュー] Information Gathering in Networks via Active Exploration

Adish Singla, Eric Horvitz+3 more|arXiv (Cornell University)|Apr 24, 2015

Mobile Crowdsensing and Crowdsourcing参考文献 29被引用数 14

ひとこと要約

この論文では、ノードが隣接ノードを通じてのみ可視化されるような、局所的可視性制約があるネットワークにおける能動的情報収集のための新規アルゴリズムNetExpを提案する。探索（新たなノードを露見すること）と活用（高い利便性を持つノードを選択すること）のバランスを取ることで、NetExpは強力な理論的性能バインディングを達成し、特に階層的企業ネットワークにおいて、合成データおよび実世界のソーシャルQ&Aデータにおいてベースラインを上回る性能を示す。

ABSTRACT

How should we gather information in a network, where each node's visibility is limited to its local neighborhood? This problem arises in numerous real-world applications, such as surveying and task routing in social networks, team formation in collaborative networks and experimental design with dependency constraints. Often the informativeness of a set of nodes can be quantified via a submodular utility function. Existing approaches for submodular optimization, however, require that the set of all nodes that can be selected is known ahead of time, which is often unrealistic. In contrast, we propose a novel model where we start our exploration from an initial node, and new nodes become visible and available for selection only once one of their neighbors has been chosen. We then present a general algorithm NetExp for this problem, and provide theoretical bounds on its performance dependent on structural properties of the underlying network. We evaluate our methodology on various simulated problem instances as well as on data collected from social question answering system deployed within a large enterprise.

研究の動機と目的

• ソーシャルネットワークや分散型システムにおいて一般的な制約である、ノードの完全なネットワークが事前に不明で、隣接ノードの情報しか得られない状況における情報収集の課題に対処すること。
• 事前にグランドセットの全情報を必要とする従来のサブモジュラ最適化手法の制限を克服すること。
• 可視性制約下で、ネットワークの探索と利便性の活用を動的にバランスさせる汎用アルゴリズムを設計すること。
• ネットワーク構造（例：スケールフリーや階層的性質）に依存する理論的性能保証を提供すること。
• 合成ネットワークおよび実世界の企業ソーシャルQ&Aデータを用いて、実用的利便性を実証するための評価を実施すること。

提案手法

• 探索を初期ノードから開始し、隣接ノードが選択されてからのみ新たなノードが可視化されるモデルを提案。実ネットワークにおける局所的可視性をモデル化する。
• 探索（高次数ノードの選択により新たなノードを露見）と活用（限界利便性の高いノードの選択）の両方をバランスさせる、グリーディーなアルゴリズムNetExpを導入。
• 探索と活用のトレードオフを制御する調整可能なパラメータεを採用。理論的分析により、ネットワーク構造に依存する性能バインディングを示した。
• 情報の豊かさを定量化するためのサブモジュラ利便性関数を用い、ソーシャルネットワークにおけるエキスパート検索や情報検索などのタスクをモデル化。
• 最悪ケースおよびスケールフリー・ネットワークに対して導出された理論的バインディングを適用。利便性の増加とネットワーク露出度の観点から性能を分析。
• 合成ネットワーク（Erdős–Rényiおよびpreferential attachment）および企業ソーシャルQ&Aシステム（IMX）の実データを用いてNetExpを評価。グリーディー法、次数ベース法、ランダム法との比較を実施。

実験結果

リサーチクエスチョン

• RQ1 完全なネットワークが事前に不明で、ノードの可視化が隣接関係に限られる状況において、どのようにして効果的に情報収集を行うことができるか？
• RQ2 可視範囲を広げるための探索と、既知の高利便性ノードの活用との間で、最適なトレードオフは何か？
• RQ3 ネットワークの構造的性質（例：スケールフリーまたは階層的）は、能動的情報収集アルゴリズムの性能にどのように影響を与えるか？
• RQ4 NetExpのような汎用アルゴリズムは、標準的なベースライン（例：グリーディー法、次数ベース法、ランダム法）を上回る性能を実現できるか？
• RQ5 探索パラメータεの選択が、実際の利便性の増加とネットワーク露出度にどのように影響を与えるか？

主な発見

• NetExpは、実世界のIMXソーシャルQ&Aデータセットにおいて、ベースライン手法と比較して顕著に高い利便性を達成し、大きな正の性能差を示した。
• 合成ネットワーク（Erdős–Rényiおよびpreferential attachment）においても、最悪ケースおよびスケールフリー・ネットワークに対する理論的バインディングと整合した高い利便性増加率を維持した。
• NetExpは、ネットワーク露出と利便性獲得の両面で良好なバランスを実現し、純粋な探索（Val）および純粋な活用（Deg）戦略を上回った。
• アルゴリズムはεの値の変化に対して頑健であり、特に適切に調整されたεでは、選択されたノードあたりの利便性が安定したまま維持された。
• データセット全体にわたる正規化されたノードあたりの利便性増加（f(S)/|S|）を比較した結果、NetExpは、利活用のみ（ε=0）および探索のみ（ε=1）の戦略を一貫して上回った。
• 結果から、企業ネットワークにおける組織的階層といった構造的性質が性能に顕著に影響を与えることが確認され、NetExpがこのような環境に効果的に適応できることを示した。