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

Suqi Cheng, Huawei Shen+3 more|arXiv (Cornell University)|Oct 27, 2013

Complex Network Analysis Techniques参考文献 30被引用数 104

ひとこと要約

この論文では、種選択の過程で影響拡散関数の下位モジュラリティを保証する新しいインパルス最大化アルゴリズム、StaticGreedyを提案する。これにより、過剰なモンテカルロシミュレーションの必要がなくなり、計算コストを2桁低減しながら高い正確性を維持する。下位モジュラリティを強制することで、大規模ネットワークにおける性能をさらに高速化する動的更新戦略を導入した。

ABSTRACT

Influence maximization, defined as a problem of finding a set of seed nodes to trigger a maximized 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 should have both guaranteed accuracy and high scalability. However, existing algorithms suffer a scalability-accuracy dilemma: conventional greedy algorithms guarantee the accuracy with expensive computation, while the scalable heuristic algorithms suffer from unstable accuracyIn this paper, we focus on solving this scalability-accuracy dilemma. We point out that the essential reason of the dilemma is the surprising fact that the submodularity, a key requirement of the objective function for a greedy algorithm to approximate the optimum, is not guaranteed in all conventional greedy algorithms in the literature of influence maximization. Therefore a greedy algorithm has to afford a huge number of Monte Carlo simulations to reduce the pain caused by unguaranteed submodularity. Motivated by this critical finding, we propose a static greedy algorithm, named StaticGreedy, to strictly guarantee the submodularity of influence spread function during the seed selection process. The proposed algorithm makes the computational expense dramatically reduced by two orders of magnitude without loss of accuracy. Moreover, we propose a dynamical update strategy which can speed up the StaticGreedy algorithm by 2-7 times on large scale social networks.

研究の動機と目的

• 大規模なソーシャルネットワークにおけるインパルス最大化のスケーラビリティと正確性のジレンマを解決すること。
• このジレンマの根本的原因が、従来のグリーディアルゴリズムにおける保証された下位モジュラリティの欠如にあることを特定すること。
• 種選択の過程で下位モジュラリティを厳密に保持する手法を開発し、過剰な計算を伴わずに正確性を確保すること。
• 計算コストを大幅に削減しながら、高いインパルス拡散の正確性を維持すること。
• 大規模ネットワーク応用のための動的更新戦略により、効率を向上させること。

提案手法

• 種選択プロセスの全期間にわたり、影響拡散関数の下位モジュラリティを強制する静的グリーディアルゴリズム、StaticGreedyを提案する。
• グリーディ近似の保証に必要な逓減報酬性を維持するように、影響推定プロセスを構造化することで、下位モジュラリティを保証する。
• 数千回のモンテカルロシミュレーションに依存する従来の手法に代わり、決定論的で下位モジュラリティを保持する計算フレームワークを導入する。
• 影響推定を段階的に更新する動的更新戦略を導入し、大規模ネットワークにおける重複計算を削減する。
• 保存された下位モジュラリティを活用して、大規模なソーシャルネットワークにアルゴリズムを適用し、大幅に短縮された実行時間で正確性を維持する。
• 静的下位モジュラリティの強制と適応的更新により、繰り返しシミュレーションを最小限に抑えることで、アルゴリズムの効率を最適化する。

実験結果

リサーチクエスチョン

• RQ1 従来のインパルス最大化用グリーディアルゴリズムは、理論的な下位モジュラリティの仮定があるにもかかわらず、なぜ正確性を保証できないのか？
• RQ2 インパルス最大化の種選択段階で、下位モジュラリティを厳密に保持することは可能か？ これにより、高コストなモンテカルロシミュレーションへの依存を排除できるか？
• RQ3 グリーディインパルス最大化フレームワークで下位モジュラリティを強制することで、どのような性能向上が達成できるか？
• RQ4 動的更新戦略は、インパルス拡散の正確性を損なわせることなく、どのように効率を向上させるか？
• RQ5 大規模ネットワークにおいて、最適なインパルス拡散を維持しつつ、計算コストをどの程度まで削減できるか？

主な発見

• StaticGreedyは、過剰なモンテカルロシミュレーションの必要を排除することで、従来のグリーディアルゴリズムと比較して計算コストを2桁低減した。
• 種選択段階で影響拡散関数の下位モジュラリティを厳密に保証することで、高い正確性を維持した。
• 動的更新戦略により、大規模なソーシャルネットワーク上でのStaticGreedyアルゴリズムの実行速度が2〜7倍に向上した。
• 理論的保証を提供する一方で性能を犠牲にしないことで、スケーラビリティと正確性のジレンマを解決した。
• 下位モジュラリティの強制により、安定的かつ予測可能な影響拡散推定が可能となり、ヒューリスティック手法の不安定性を克服した。
• シミュレーション回数を著しく削減しながらも最適なインパルス拡散を達成した。これは、下位モジュラリティの保持が、効率的かつ正確なインパルス最大化の鍵であることを証明した。