[論文レビュー] Network Infusion to Infer Information Sources in Networks

Soheil Feizi, Muriel Médard+3 more|arXiv (Cornell University)|Jun 23, 2016

Complex Network Analysis Techniques参考文献 29被引用数 15

ひとこと要約

本稿では、標準モデルを近似する拡散カーネルを構築することで、ネットワーク内の情報拡散の原因を推定する新規手法であるNetwork Infusion (NI) を提案する。このカーネルは、尤度最大化または誤差最小化による効率的で逆問題可能な推定を可能にし、平均場最適性を達成する。NIは、合成的および実世界のネットワーク、特にDiggソーシャルネットワークにおけるニュースソース推定において、既存手法を上回る性能を発揮する。

ABSTRACT

Several significant models have been developed that enable the study of diffusion of signals across biological, social and engineered networks. Within these established frameworks, the inverse problem of identifying the source of the propagated signal is challenging, owing to the numerous alternative possibilities for signal progression through the network. In real world networks, the challenge of determining sources is compounded as the true propagation dynamics are typically unknown, and when they have been directly measured, they rarely conform to the assumptions of any of the well-studied models. In this paper we introduce a method called Network Infusion (NI) that has been designed to circumvent these issues, making source inference practical for large, complex real world networks. The key idea is that to infer the source node in the network, full characterization of diffusion dynamics, in many cases, may not be necessary. This objective is achieved by creating a diffusion kernel that well-approximates standard diffusion models, but lends itself to inversion, by design, via likelihood maximization or error minimization. We apply NI for both single-source and multi-source diffusion, for both single-snapshot and multi-snapshot observations, and for both homogeneous and heterogeneous diffusion setups. We prove the mean-field optimality of NI for different scenarios, and demonstrate its effectiveness over several synthetic networks. Moreover, we apply NI to a real-data application, identifying news sources in the Digg social network, and demonstrate the effectiveness of NI compared to existing methods. Finally, we propose an integrative source inference framework that combines NI with a distance centrality-based method, which leads to a robust performance in cases where the underlying dynamics are unknown.

研究の動機と目的

• 真の拡散ダイナミクスがしばしば未知であるか、標準モデルに従わない実世界のネットワークにおけるソース推定の課題に対処すること。
• 正確な拡散ダイナミクスの知識を必要とする既存手法や、保証のないヒューリスティックな中心性指標に依存する手法の限界を克服すること。
• 均質的および非均質的拡散条件の下で、単一および複数ソース推定に対してスケーラブルかつ頑健な手法を開発すること。
• 完全なダイナミクスの特定を避けて、逆問題可能な拡散カーネル近似に焦点を当てることで、大規模で複雑なネットワークにおける実用的ソース推定を可能にすること。
• NIを距離中心性と統合し、基礎となるダイナミクスが不確実な状況でも頑健性を維持するハイブリッドフレームワークを構築すること。

提案手法

• SI などの標準的連続時間拡散モデルをよく近似するパスベースのネットワーク拡散カーネルを提案し、逆問題が可能な形にすること。
• 拡散カーネル上で尤度最大化または誤差最小化問題としてソース推定を定式化し、効率的な最適化を可能にすること。
• 構成上逆問題可能な拡散カーネルを設計し、完全なダイナミクスの特定を回避すること。
• 単一スナップショットおよび複数スナップショットの観測に適用可能であり、均質的および非均質的拡散設定を両方サポートすること。
• NIと距離中心性を統合するフレームワークを導入し、モデル不確実性下での頑健性を向上させること。
• 平均場近似および確率的バウンディングを活用し、さまざまなネットワークトポロジーやソース設定下での手法の最適性および一貫性を理論的に証明すること。

実験結果

リサーチクエスチョン

• RQ1 完全なダイナミクスの知識がなくても、標準モデルをよく近似するが逆問題可能な拡散カーネルを構築できるか？
• RQ2 真の拡散ダイナミクスが既知の合成ネットワークにおいて、NIは既存手法と比較して精度および頑健性の面で優れているか？
• RQ3 拡散ダイナミクスが未知または標準的でない実世界の状況、例えばソーシャルメディアにおけるニュース拡散において、NIの性能はいかがなものか？
• RQ4 NIを距離中心性と統合することで、真の拡散モデルが不確実な状況でもソース推定の頑健性が向上するか？
• RQ5 さまざまなネットワークおよび拡散条件下で、NIの平均場最適性に関する理論的保証は得られるか？

主な発見

• NI は、さまざまなネットワークおよび拡散条件の下で、単一および複数ソース拡散において平均場最適性を達成する。
• NI は、Digg ソーシャルネットワーク内でのニュースソース同定において、既存手法を顕著に上回り、実世界データにおける実用的有効性を示している。
• 特に距離中心性と組み合わせた場合、基礎となる拡散ダイナミクスが不明または標準モデルに従わない状況でも、高い精度を維持する。
• 理論的分析により、不整合ソース仮定下で、真のソースノードの期待損失が、ある近傍内の他のノードのそれよりも低いことが証明された。
• NI の計算複雑度は O(|V^t|(k|E| + kn log n + mn)) で有界であり、経路長 k と反復回数 m が中程度の範囲であれば大規模ネットワークに対してもスケーラブルである。
• 実験的結果により、Diggニュースストーリーの約65％において真のソースは直接観測されていないが、NIは間接的伝搬経路をモデル化することでそれを成功裏に推定している。