[論文レビュー] Source Localization in Networks: Trees and Beyond

K. J. Zhu, Lei Ying|arXiv (Cornell University)|Oct 7, 2015

Complex Network Analysis Techniques参考文献 18被引用数 9

ひとこと要約

本稿では、独立カスケードモデル下でのネットワーク内におけるソース局所化のための Short-Fat Tree (SFT) アルゴリズムを提案する。SFT は、深さが最小でリーフノード数が最大となる幅優先探索木を生成するノードを選択する。本研究は、木構造ネットワークおよびエローズ＝レニーiランダムグラフの両方において、ソース局所化のための理論的性能保証を初めて確立し、感染持続時間に関する一定の制約下で、SFT がほとんど確実にソースを同定できることを証明する。

ABSTRACT

Information diffusion in networks can be used to model many real-world phenomena, including rumor spreading on online social networks, epidemics in human beings, and malware on the Internet. Informally speaking, the source localization problem is to identify a node in the network that provides the best explanation of the observed diffusion. Despite significant efforts and successes over last few years, theoretical guarantees of source localization algorithms were established only for tree networks due to the complexity of the problem. This paper presents a new source localization algorithm, called the Short-Fat Tree (SFT) algorithm. Loosely speaking, the algorithm selects the node such that the breadth-first search (BFS) tree from the node has the minimum depth but the maximum number of leaf nodes. Performance guarantees of SFT under the independent cascade (IC) model are established for both tree networks and the Erdos-Renyi (ER) random graph. On tree networks, SFT is the maximum a posterior (MAP) estimator. On the ER random graph, the following fundamental limits have been obtained: $(i)$ when the infection duration $t_u,$ the probability of identifying the source approaches zero asymptotically under any algorithm; and $(iii)$ when infection duration $

研究の動機と目的

• 木構造ネットワークを超えた性能保証が得られるソース局所化アルゴリズムの開発。
• 独立カスケードモデル下でのランダムネットワークにおけるソース検出の根本的限界の分析。
• 漸近的にソース同定が可能または不可能となる条件の確立。
• 既存手法を上回るスケーラビリティと正確性を備えたアルゴリズムの設計。

提案手法

• SFT アルゴリズムは、BFS 樹が最も浅く、リーフノード数が多いノードを選択する。
• 完全なエッジ感染確率を必要としないように、境界ノード次数（BND）を簡略化された同数処理ルールとして用いる。
• 理論的分析では、BFS 樹の性質とエローズ＝レニーiネットワークにおけるランダムグラフ構造を活用する。
• 性能の上限は、ノード次数と距離に関するチェルノフ型不等式および確率的集中評価を用いて導出する。
• 複数の指標を用いて、木構造ネットワーク、ER ランダムグラフ、実世界のネットワークにおけるアルゴリズムの評価を実施する。
• 漸近的分析により、成功したソース同定のための感染持続時間と平均次数の条件を確立する。

実験結果

リサーチクエスチョン

• RQ1 エローズ＝レニーiランダムグラフにおいて、独立カスケードモデル下で、どの条件下でソースが確率1で同定可能となるか？
• RQ2 真のソースを根とするBFS木の構造は、検出可能性にどのように関連するか？
• RQ3 非木構造ネットワークにおいても、ソース局所化アルゴリズムが性能保証を達成可能か？
• RQ4 感染持続時間とソース検出精度の間の根本的トレードオフは何か？
• RQ5 SFT アルゴリズムは、既存手法と比較して、検出率および真のソースへの近接度においてどのように優れているか？

主な発見

• 木構造ネットワークにおいて、SFT は非一様 IC モデル下で最大後確率推定（MAP）推定器である。
• エローズ＝レニーiランダムグラフにおいて、感染持続時間が $\frac{2}{3}t_u$ 未満である限り、SFT は漸近的に確率1でソースを同定する。ここで $t_u = \left\lceil\frac{\log n}{\log\mu}\right\rceil + 2$ である。
• 感染持続時間が $t_u$ を超えると、どのアルゴリズムでも漸近的に非ゼロの確率でソースを同定できない。
• 感染持続時間が $t_u$ 未満の場合、真のソースを根とするBFS木は「太い木（fat tree）」とならず、少なくとも $1-\delta$ のノードがリーフノードとなる。ここで $\delta > 3\sqrt{\frac{\log n}{\mu}}$ である。
• 数値実験により、SFT は木構造ネットワーク、ER ランダムグラフ、実世界のネットワークにおいて、既存手法を上回る検出率と真のソースへの近接度を達成している。
• アルゴリズムは、合理的な実行時間で高い性能を達成しており、スケーラビリティを示している。