[論文レビュー] Online Myopic Network Covering

Konstantin Avrachenkov, Prithwish Basu+3 more|arXiv (Cornell University)|Dec 20, 2012

Complex Network Analysis Techniques参考文献 37被引用数 8

ひとこと要約

本稿では、1ステップ先の見通し（one-hop lookahead）を用い、未知のソーシャルネットワークにおけるネットワークカバレッジを最大化するためのグリーディなオンラインアルゴリズムMEED（Maximum Expected d-Excess Degree）を提案する。この手法は、参加者として選ばれたノードがその隣接ノードを明らかにする仕組みであり、期待されるカバレッジを最大化するようにノードを選択する。パワー法則ネットワークではMEEDはMOD（Maximum Observed Degree）に簡略化され、既存の短視眼的アルゴリズムを上回る性能を示す。特にノードの次数が既知または推定可能である場合に顕著な性能向上が見られる。

ABSTRACT

Efficient marketing or awareness-raising campaigns seek to recruit $n$ influential individuals -- where $n$ is the campaign budget -- that are able to cover a large target audience through their social connections. So far most of the related literature on maximizing this network cover assumes that the social network topology is known. Even in such a case the optimal solution is NP-hard. In practice, however, the network topology is generally unknown and needs to be discovered on-the-fly. In this work we consider an unknown topology where recruited individuals disclose their social connections (a feature known as {\em one-hop lookahead}). The goal of this work is to provide an efficient greedy online algorithm that recruits individuals as to maximize the size of target audience covered by the campaign. We propose a new greedy online algorithm, Maximum Expected $d$-Excess Degree (MEED), and provide, to the best of our knowledge, the first detailed theoretical analysis of the cover size of a variety of well known network sampling algorithms on finite networks. Our proposed algorithm greedily maximizes the expected size of the cover. For a class of random power law networks we show that MEED simplifies into a straightforward procedure, which we denote MOD (Maximum Observed Degree). We substantiate our analytical results with extensive simulations and show that MOD significantly outperforms all analyzed myopic algorithms. We note that performance may be further improved if the node degree distribution is known or can be estimated online during the campaign.

研究の動機と目的

• 参加者として選ばれたノードが隣接ノードを明らかにする1ステップ先の見通しを用いる状況において、初期に完全なトポロジーが不明なソーシャルネットワークにおけるカバレッジを最大化する効率的なオンライングリーディアルゴリズムの設計。
• 実際の社会的キャンペーンにおいて一般的に見られるように、初期にネットワーク全体の構造が不明な状況におけるカバレッジの課題に取り組む。
• 有限ネットワークにおけるさまざまなサンプリングアルゴリズムのカバレッジサイズに関する理論的分析を提供する。これは、先行研究におけるギャップであった。
• 観測されたノード次数と期待されるカバレッジを統合し、リアルタイムで参加者選定を最適化する手法の開発。
• キャンペーン実行中にノード次数分布が既知または推定可能である場合に、カバレッジ性能が顕著に向上することを実証する。

提案手法

• アルゴリズムMEED（Maximum Expected d-Excess Degree）は、観測された次数と近隣情報に基づき、次の参加者を選び、期待されるカバー範囲の大きさを最大化するグリーディな手法である。
• 各候補ノードを参加させた場合に新たにカバーされるノード数の期待値を推定するための確率的モデルを用いる。
• パワー法則ネットワークでは、MEEDはMOD（Maximum Observed Degree）に簡略化され、未参加の隣接ノードの中で次数が最大のノードが選ばれる。
• 本手法は1ステップ先の見通しに依存しており、参加されたノードがすべての未参加の隣接ノードを明らかにすることで、段階的なカバレッジ拡大が可能になる。
• 理論的分析では、行列摂動理論を用いて期待されるカバレッジサイズを近似し、ランダムウォークの定常分布を活用する。
• 本手法はリプレースメントあり・なしのランダムウォークに拡張可能であり、性能はコインコレクションモデル（coupon subset collection model）を用いて近似可能である。

実験結果

リサーチクエスチョン

• RQ1 参加者として選ばれたノードが1ステップ先の近隣情報のみを明らかにする状況において、完全に未知のネットワークでカバレッジを最大化する方法は何か？
• RQ2 有限で未知のネットワークにおけるオンライングリーディアルゴリズムのカバレッジ最適化の理論的限界は何か？
• RQ3 MEEDの性能は、ランダムウォークや一様選択といった他の短視眼的アルゴリズムと比較して、カバレッジサイズの観点でどの程度優れているか？
• RQ4 どのようなネットワーククラスにおいて、MEEDは計算的に効率的なルール（例：MOD＝Maximum Observed Degree）に簡略化されるか？
• RQ5 ノード次数分布の知識が、オンラインネットワークカバレッジの性能向上に寄与するか？

主な発見

• MEEDは、特にパワー法則ネットワークにおいて、分析されたすべての短視眼的アルゴリズムを大きく上回るカバレッジサイズを達成する。
• パワー法則ネットワークでは、MEEDはMODに簡略化され、次数が最大の観測済みノードが選ばれる。このルールはほぼ最適な性能を達成する。
• 理論的分析により、有限ネットワークではカバレッジが時間に対して線形に増加することが示され、無限モデルにおける超線形増加の主張とは矛盾する。
• ランダムウォークの定常分布を用いた近似は、シミュレーション結果と非常に良く一致しており、性能予測にコインコレクションモデルを用いる正当性が裏付けられる。
• ノード次数分布が既知またはオンラインで推定可能な場合、性能は顕著に向上する。これは、次数に依存する戦略が高カバレッジを達成するために極めて重要であることを示唆する。
• エンロンメールネットワークを用いたシミュレーションにより、理論的カバレッジ予測と実測結果が非常に高い精度で一致することが確認された。