[論文レビュー] No Time to Observe: Adaptive Influence Maximization with Partial Feedback

Jing Yuan, Shaojie Tang|arXiv (Cornell University)|Sep 1, 2016

Advanced Bandit Algorithms Research参考文献 13被引用数 3

ひとこと要約

本稿は、拡散の途中段階でのシード選択を許容することで、性能と遅延のバランスを図る、適応的影響拡大のための新規部分フィードバックモデルを提案する。2つのグリーディー方策—$\pi^\beta$ および $\pi^{\beta-\text{enhanced}}$—を提案し、均一および非均一コスト設定の下で有界な近似比を達成する。完全フィードバック下では理論的保証が $(1-e^{-1})/2$ まで達成される。

ABSTRACT

Although influence maximization problem has been extensively studied over the past ten years, majority of existing work adopt one of the following models: \emph{full-feedback model} or \emph{zero-feedback model}. In the zero-feedback model, we have to commit the seed users all at once in advance, this strategy is also known as non-adaptive policy. In the full-feedback model, we select one seed at a time and wait until the diffusion completes, before selecting the next seed. Full-feedback model has better performance but potentially huge delay, zero-feedback model has zero delay but poorer performance since it does not utilize the observation that may be made during the seeding process. To fill the gap between these two models, we propose \emph{Partial-feedback Model}, which allows us to select a seed at any intermediate stage. We develop two novel greedy policies that, for the first time, achieve bounded approximation ratios under both uniform and non-uniform cost settings.

研究の動機と目的

• 部分フィードバックが可能であるが完全なフィードバックが得られない状況下で、適応的方策を設計し、有界な近似比を達成する。
• 完全フィードバックが得られないが、中間段階での観測が可能な部分フィードバック環境下で、適応的方策の理論的保証を提供する。
• 先行研究における適応的サブモジュラリティの欠如という主な制限要因である、部分フィードバック下での影響の非適応的サブモジュラリティを克服する。
• フィードバックが不完全であるがタイムリーな状況下で、グリーディー方策の理論的保証を提供し、時間的制約のあるウイルバルマーケティングへの実用的導入を可能にする。

提案手法

• ゼロフィードバック（非適応的）と完全フィードバック（適応的）の間のギャップを埋めるために、任意の途中段階でシード選択を許容する部分フィードバックモデルを提案する。
• 制御パラメータ $\beta$ を用いて、時間経過に伴う探索と活用のバランスを取るグリーディー方策 $\pi^\beta$ を導入する。
• $\pi^\beta$ とトップ1ノードのランダム選択を組み合わせた、性能を向上させる拡張版グリーディー方策 $\pi^{\beta-\text{enhanced}}$ を開発する。
• モンテカルロシミュレーションを用いて影響拡散を推定し、エッジの伝搬確率は先行研究と同様に $i \times \{0.01, 0.001\}$ から抽出する。
• サブモジュラリティおよび適応的サブモジュラリティの概念を活用し、理論的分析により有界な近似比を証明する。
• 拡散ダイナミクスのモデルとしてインディペンデントカスケード（IC）モデルを採用し、各ノードにコスト、各エッジに伝搬確率を設定する。

実験結果

リサーチクエスチョン

• RQ1 部分フィードバック環境下で、シーディング中に拡散の部分的観測しか得られない状況において、有界な近似比を達成する適応的影響拡大方策を設計できるか？
• RQ2 部分フィードバック下での適応的シーディングの性能は、非適応的（ゼロフィードバック）および完全フィードバック方策と比較して、影響拡散量および遅延の観点でどのように異なるか？
• RQ3 制御パラメータ $\alpha$（または $\beta$）が、部分フィードバックモデルにおける遅延と影響拡散量のトレードオフに与える影響は何か？
• RQ4 部分フィードバック下で目的関数が非適応的サブモジュラルであるという課題を克服し、依然として理論的性能保証を達成できるか？
• RQ5 エッジ伝搬確率が、実世界のネットワークにおける部分フィードバックの利点に与える影響は何か？

主な発見

• 拡張版グリーディー方策 $\pi^{\beta-\text{enhanced}}$ は、近似比 $\frac{(1-e^{-\beta})}{2}f(\pi^*)$ を達成し、完全フィードバック下では保証された下限 $\frac{(1-e^{-1})}{2}f(\pi^*)$ を有する。
• NetHEPTデータセットにおいて、$i=4$ で予算50の場合、部分フィードバック（$\alpha=0.8$）により影響拡散量はゼロフィードバックの57から87に増加し、52.6%の改善が達成された。
• $i=2$ の場合、$\alpha=0.6$ で影響拡散量に10%の改善が得られ、$i=4$ の場合、$\alpha=0.4$ で20%の改善が確認され、中程度の伝搬確率下で顕著な向上が示された。
• エッジ伝搬確率が高くなるほど、部分フィードバックの利点が顕著になることが示された。これは、拡散結果の不確実性が中間観測の価値を高めることを示唆している。
• エッジ伝搬確率が低い場合（例：$i=1$）、サンプリングベースの推定値が実際の結果とほぼ一致するため、部分フィードバックの利点は最小限にとどまる。
• 制御パラメータ $\alpha$ を調整することで、提案方策は遅延と性能のバランスを効果的にとらせる。これにより、時間的制約のある応用分野への実用的導入が可能となる。