[論文レビュー] On the Fairness of Time-Critical Influence Maximization in Social Networks

Junaid Ali, Mahmoudreza Babaei+4 more|arXiv (Cornell University)|May 16, 2019

Social Media and Politics被引用数 7

ひとこと要約

この論文は、時間制約のもとで社会的に顕著なグループ間の影響力配分をバランスさせるために、公平性に配慮した時間制限付き影響力最大化（TCIM）を導入する。時間制約下で、公平性制約を満たすために、サロゲートなサブモジュラー目的関数を提案し、影響力の不平等を低減しつつ、性能損失が有界である理論的保証を備えたグリーディアルゴリズムを提示している。実験は、Facebook-Snapを含む合成ネットワークおよび実世界のネットワークで実施された。

ABSTRACT

Influence maximization has found applications in a wide range of real-world problems, for instance, viral marketing of products in an online social network, and information propagation of valuable information such as job vacancy advertisements and health-related information. While existing algorithmic techniques usually aim at maximizing the total number of people influenced, the population often comprises several socially salient groups, e.g., based on gender or race. As a result, these techniques could lead to disparity across different groups in receiving important information. Furthermore, in many of these applications, the spread of influence is time-critical, i.e., it is only beneficial to be influenced before a time deadline. As we show in this paper, the time-criticality of the information could further exacerbate the disparity of influence across groups. This disparity, introduced by algorithms aimed at maximizing total influence, could have far-reaching consequences, impacting people's prosperity and putting minority groups at a big disadvantage. In this work, we propose a notion of group fairness in time-critical influence maximization. We introduce surrogate objective functions to solve the influence maximization problem under fairness considerations. By exploiting the submodularity structure of our objectives, we provide computationally efficient algorithms with guarantees that are effective in enforcing fairness during the propagation process. We demonstrate the effectiveness of our approach through synthetic and real-world experiments.

研究の動機と目的

• 時間制限付き影響力最大化（TCIM）における不公平性を是正すること。特に、ネットワーク構造と時間制約の影響でマイノリティグループが不適切に後回しにされる傾向があることに対処する。
• 時間デッドライン内にグループ間で影響力の割合が等しくなるという公平性の定式化を明示すること。
• TCIM-BudgetおよびTCIM-Coverの両設定において、公平性を強制する計算的に効率的なアルゴリズムの設計。
• 公平性と影響力拡散性能のトレードオフを定量化し、公平性のコストが有界であることを示すこと。
• 提案手法の実世界および合成ネットワーク上での評価を通じて、グループ間の差別の低減を実証すること。

提案手法

• 時間デッドライン内にグループ間で影響力の割合が等しくなるように制約を課す FairTCIM-Budget および FairTCIM-Cover の定式化を導入する。
• 公平性制約付きの目的関数を近似可能にする単調なサブモジュラーなサロゲート関数を提案し、効率的な最適化を可能にする。
• サブモジュラリティを活用して、FairTCIM-Budget 問題に対して (1−1/e) の近似保証を持つグリーディアルゴリズムを採用する。
• FairTCIM-Cover 問題に対しては、O(log n) の近似比を持つグリーディアルゴリズムを適用し、すべてのグループが最低限の影響力割合を満たすことを保証する。
• 実ネットワークにおけるトポロジカルなグループを特定するため、スペクトルクラスタリングを用い、グループごとの影響力分析を可能にする。
• 公平性をモデル化するための凸関数 H を採用し、グループ間での影響力配分のバランスを確保する。

実験結果

リサーチクエスチョン

• RQ1 標準的なTCIMアルゴリズムは、時間制限付きの状況下で、社会的に顕著なグループ間の影響力格差をどの程度悪化させるか？
• RQ2 時間デッドラインの長さが、特に代表されにくいグループの影響力拡散の公平性にどのように影響するか？
• RQ3 サブモジュラーなサロゲート目的関数は、計算効率を保ちつつ、TCIMにおける公平性を効果的に強制できるか？
• RQ4 公平性を強制することによる影響力拡散全体の性能コスト（損失）はどの程度か？
• RQ5 グループのサイズや接続性といったネットワーク特性が、影響力伝搬における公平性にどのように影響するか？

主な発見

• 提案された FairTCIM-Budget アルゴリズムは、公平性制約下でも最適な影響力拡散量の少なくとも (1−1/e) を達成でき、理論的近似保証を有する。
• FairTCIM-Cover アルゴリズムは、公平性制約下で、すべてのグループが目標影響力割合を満たす解を得られ、その解のサイズは最適解の O(log n) 範囲内に収まる。
• Facebook-Snap データセットを用いた実験では、特にタイトな時間デッドライン下で、グループ1とグループ4の間の格差が顕著に低減された。
• 公平性のコスト（影響力の総量の減少）は有界であり、実験的にも小さいことが確認され、トレードオフが妥当であることが裏付けられた。
• タイトな時間デッドラインでは、標準的なTCIM手法が公平性格差を顕著に拡大することが判明し、公平性に配慮した設計の必要性が強調された。
• スペクトルクラスタリングにより、影響力格差と相関するトポロジカルなグループ構造が特定され、グループベースの公平性モデリングの有効性が裏付けられた。