[論文レビュー] Static greedy: solving the apparent scalability-accuracy dilemma in influence maximization

Suqi Cheng, Huawei Shen+3 more|arXiv (Cornell University)|Dec 19, 2012

Spam and Phishing Detection参考文献 21被引用数 3

ひとこと要約

本稿では、反復処理間でモンテカルロシミュレーションの結果を再利用することにより、サブモジュラリティを保証する新しい影響拡散最大化アルゴリズム、Static Greedyを提案する。これにより、従来のグリーディ法に比べて最大100倍少ないシミュレーション回数で最先端の精度を達成する。さらに、スケーラビリティを向上させるための動的更新戦略を導入し、影響拡散最大化における長年のスケーラビリティと精度のジレンマを解消する。

ABSTRACT

Influence maximization, defined as the problem of finding a set of seed nodes maximizing the spread of influence, is crucial to viral marketing on social networks. For practical viral marketing on large-scale social networks, it is required that influence maximization algorithms have both guaranteed accuracy and high scalability. However, existing algorithms suffer an apparent scalability-accuracy dilemma: Greedy algorithm and its improvements have guaranteed accuracy but are not scalable, while the accuracy of scalable heuristic algorithms is unstable and not guaranteed. In this paper, we focus on resolving this scalability-accuracy dilemma. We first find that the submodularity is unguaranteed in existing implementations of greedy algorithm, caused by the independence among Monte Carlo simulations conducted in different iterations of greedy algorithm. A large number of Monte Carlo simulations are thus required in existing greedy algorithms to alleviate the impact of unguaranteed submodularity. Motivated by this critical finding, we propose a static greedy algorithm to strictly guarantee the submodularity property, by reusing the results of Monte Carlo simulations during the whole process of greedy algorithm. As a result, the proposed algorithm achieves the same accuracy with the state-of-the-art greedy algorithms, while the number of Monte Carlo simulations needed is dramatically reduced by two orders of magnitude. Moreover, we give a dynamic update strategy to further improve the static greedy algorithm, by applying which our algorithm becomes comparable to the most scalable heuristic algorithm.

研究の動機と目的

• グリーディ法は正確ではあるが遅く、ヒューリスティック法は速いが精度が不安定であるという、影響拡散最大化におけるスケーラビリティと精度のジレンマに対処する。
• 既存のグリーディ実装におけるサブモジュラリティの保証ができない原因が、反復処理間で独立したモンテカルロシミュレーションが行われていることに起因することを特定する。
• シミュレーション結果を再利用することで、厳密にサブモジュラリティを保証し、一貫した精度を確保する静的グリーディアルゴリズムを提案する。
• 新規に追加されたノードの影響拡散推定値を段階的に更新する戦略を考案し、再計算を減らして実行時間効率を向上させることで、スケーラビリティをさらに向上させる。これにより、精度を損なわずに、最も高速なヒューリスティック法と同等の性能を達成できる。

提案手法

• グリーディアルゴリズムのすべての反復処理で同じモンテカルロシミュレーション結果のセットを再利用し、影響拡散推定値の一貫性と正確性を維持する。
• 同じシミュレーション結果を用いて一貫したマージナルゲインを計算することで、厳密なサブモジュラリティを保証する。
• 再利用されたシミュレーション結果からの累積的影響拡散スコアに基づいてノードを選択する静的グリーディ選択プロセスを適用し、再計算を回避する。
• 新規に追加されたノードの影響拡散推定値を段階的に更新する動的更新戦略を導入し、冗長なシミュレーションを減らして実行時間効率を向上させる。
• 各反復処理を独立して扱う従来の手法とは異なり、シミュレーションデータを決定論的に再利用することで、サブモジュラリティの性質を維持し、精度を保つ。
• シミュレーション回数を最小限に抑えることで計算コストを最適化し、標準的なグリーディアプローチに比べて2桁の削減を実現する。

実験結果

リサーチクエスチョン

• RQ1 既存のグリーディ影響拡散最大化アルゴリズムがなぜサブモジュラリティを保証できないのか。その結果、精度とシミュレーション要件にどのような影響を与えるのか。
• RQ2 反復処理間でモンテカルロシミュレーション結果を再利用することで、グリーディ影響拡散最大化におけるサブモジュラリティを厳密に保てるか。
• RQ3 シミュレーション結果の再利用によって、必要なシミュレーション回数をどの程度削減できるか。その際、精度を維持または向上できるか。
• RQ4 提案された動的更新戦略は、精度を劣化させることなく、静的グリーディアルゴリズムのスケーラビリティをどの程度向上させるか。
• RQ5 提案手法は、大規模なソーシャルネットワークにおいて、グリーディ法の精度とヒューリスティック法のスケーラビリティの両方を達成できるか。

主な発見

• 既存のグリーディ法では、反復処理間で独立したモンテカルロシミュレーションが行われるため、サブモジュラリティが保証されず、高いシミュレーション負荷が生じる。
• モンテカルロシミュレーション結果をグリーディプロセス全体で再利用することで、提案されたStatic Greedyアルゴリズムは、サブモジュラリティを厳密に保証し、一貫した精度を確保する。
• 最先端のグリーディ法に比べ、モンテカルロシミュレーション回数が2桁削減され、スケーラビリティが著しく向上する。
• 動的更新戦略により、最もスケーラブルなヒューリスティック法と同等の性能を達成できる一方で、グリーディ法の精度を保持する。
• 保証されたサブモジュラリティと著しく低い計算コストを組み合わせることで、スケーラビリティと精度のジレンマを解決する。
• 実験的結果から、Static Greedyは最良のグリーディ法と同等の精度を達成するとともに、シミュレーション使用量においてははるかに効率的であることが確認された。