[論文レビュー] On Adaptivity Gaps of Influence Maximization under the Independent Cascade Model with Full Adoption Feedback

Wei Chen, Binghui Peng|arXiv (Cornell University)|Jul 3, 2019

Opinion Dynamics and Social Influence参考文献 35被引用数 12

ひとこと要約

本稿は、完全受容フィードバックを伴う独立キャスケードモデルにおける影響拡散のための、最初の定数上界を、in-アーボレスセンス、out-アーボレスセンス、および二部グラフにおいて確立する。相関フィードバックを扱うための新規技術を導入し、in-アーボレスセンスでは $[\frac{e}{e-1}, \frac{2e}{e-1}]$、out-アーボレスセンスでは $[\frac{e}{e-1}, 2]$、二部グラフでは $\frac{e}{e-1}$ の適応性ギャップを証明する。

ABSTRACT

In this paper, we study the adaptivity gap of the influence maximization problem under independent cascade model when full-adoption feedback is available. Our main results are to derive upper bounds on several families of well-studied influence graphs, including in-arborescences, out-arborescences and bipartite graphs. Especially, we prove that the adaptivity gap for the in-arborescence is between $[\frac{e}{e-1}, \frac{2e}{e - 1}]$ and for the out-arborescence, the gap is between $[\frac{e}{e-1}, 2]$. These are the first constant upper bounds in the full-adoption feedback model. We provide several novel ideas to tackle with correlated feedback appearing in the adaptive stochastic optimization, which we believe to be of independent interests.

研究の動機と目的

• 完全受容フィードバック下での適応的影響拡散が非適応的戦略をどれほど上回るかを理解するギャップを埋めること。
• 標準的な独立性に基づく手法が無効となる相関フィードバックの課題に取り組むこと。
• in-アーボレスセンス、out-アーボレスセンス、および二部グラフといった特定のグラフ族に対して、適応性ギャップのタイトで定数の上界を導出すること。
• 先行研究、特にミロプティックフィードバックや弱い上界に依存する研究を改善すること。
• 適応的影響拡散におけるフィードバック依存を扱える新しい分析的手法を開発すること。

提案手法

• in-アーボレスセンスの場合、著者らはポアソン過程の枠組みを用い、最適な適応的方策の影響拡散を多変量拡張と関連づけ、フィードバック相関下での限界利得を丁寧に分解する。
• in-アーボレスセンスにおいては、拡散過程におけるアクティブノードの境界が収縮するという構造的洞察を活用する。
• out-アーボレスセンスの場合、有向先行者チェーンに沿った限界利得のテレスコピング補題を用い、最適方策に制約を課す。
• out-アーボレスセンスにおける先行者ノードの線形構造を活用して、影響拡散をバウンディングする新規な証明戦略を開発する。
• 影響拡散の凸緩和としての多変量拡張に依存することで、適応的および非適応的方策の比較が可能になる。
• 再帰的分解と確率的不等式を用いて理論的上界を導出し、カスケード伝播に関する補題による妥当性を確認する。

実験結果

リサーチクエスチョン

• RQ1 完全受容フィードバック下で、最適な適応的影響拡散と非適応的影響拡散の比として得られる最大の可能性は何か？
• RQ2 完全受容フィードバック下で、in-アーボレスセンスおよびout-アーボレスセンスのような構造的グラフに対して、定数上界の適応性ギャップを確立できるか？
• RQ3 多段階カスケードによって生じるフィードバック相関を、適応的確率的最適化でどのように分析的に管理できるか？
• RQ4 完全受容フィードバック下で、一方向の二部グラフにおける適応性ギャップは有界のまま保たれるか？また、その上界をタイトにできるか？
• RQ5 独立フィードバックに用いられる既存の手法を、より複雑な相関フィードバックを有する完全受容モデルに拡張できるか？

主な発見

• in-アーボレスセンスにおける適応性ギャップは $\frac{e}{e-1}$ から $\frac{2e}{e-1}$ の間で有界であり、完全受容フィードバックモデルにおける最初の定数上界を示している。
• out-アーボレスセンスでは、適応性ギャップが $\frac{e}{e-1}$ から $2$ の間で有界であり、この設定においても最初の定数上界を提供している。
• 一方向の二部グラフにおける適応性ギャップは正確に $\frac{e}{e-1}$ であり、既知の下界と一致し、先行研究を改善している。
• 本稿では、有向ライン（in-およびout-アーボレスセンスの特殊ケース）に対しても、適応性ギャップの下界が $\frac{e}{e-1}$ であることを証明しており、上界がほぼタイトであることを示している。
• 特にポアソン過程とテレスコピング限界利得分解を用いた提案手法は、フィードバック相関の処理に効果的であり、他の適応的最適化問題への一般化も可能である。
• 結果として、構造的ネットワークにおいても、完全受容フィードバック下では適応的戦略が非適応的戦略に対して、証明可能な定数倍の利点を提供することが示された。