[論文レビュー] Timed Influence: Computation and Maximization

Edith Cohen, Daniel Delling+2 more|arXiv (Cornell University)|Oct 26, 2014

Complex Network Analysis Techniques参考文献 38被引用数 10

ひとこと要約

本稿では、エッジ長を伝播時間として取り入れることで、感染範囲と伝播時間を両方ともに組み込んだ、新しいタイムドインフルエンス測度を提案する。この測度は、古典的なインフルエンスモデルを統一するものであり、計算および最大化におけるタイムドインフルエンスの性能が、先行手法を著しく上回る、スケーラブルなアルゴリズムを提案する。本手法は理論的保証と実用的な効率性を両立し、ネットワーク拡散解析に適している。

ABSTRACT

We consider a cost model for diffusion in a network that captures both the scope of infection and its propagation time: The edges of the network have associated lengths which model transmission times, and influence scores are higher for faster propagation. We propose an intuitive measure of timed influence, which extends and unifies several classic measures, including the well-studied “binary” influence [Richardson and Domingos 2002; Kempe et al. 2003] (which only measures scope), a recently-studied threshold model of timed influence [Gomez-Rodriguez et al. 2011] (which considers a node influenced only within a fixed time horizon), and closeness centrality (which is extended from being defined for a single node to multiple seed nodes and from a fixed network to distributions). Finally, we provide the first highly scalable algorithms for timed influence computation and maximization. In particular, we improve by orders of magnitude the scalability of state-of-the-art threshold timed influence computation. Moreover, our design provides robust guarantees and is novel also as a theoretical contribution. 1.

研究の動機と目的

• バイナリインフルエンス、スレッショルドモデル、クロージネス・セントラリティの既存モデルを、拡散の広がり具合と速さの両方を考慮する一貫したフレームワークに統合すること。
• 大規模ネットワークにおけるタイムドインフルエンスの計算および最大化のためのスケーラブルなアルゴリズムの欠如に対処すること。
• クロージネス・セントラリティを単一ノードから複数のシードノードへ、また静的ネットワークから確率的分布へと拡張すること。
• エッジ長を伝播時間として表現するコストモデルを構築し、速い伝播がより高いインフルエンススコアをもたらすようにすること。

提案手法

• エッジ長を伝播時間として用いることで、速い伝播に対して高いスコアを割り当てるタイムドインフルエンス測度を提案する。
• 時間依存的な伝播を統合するため、時間経過に伴う確率的プロセスとしてインフルエンス計算を定式化する。
• 保証された境界と低分散を備えた、スケーラブルなモンテカルロベースのサンプリング手法を設計し、タイムドインフルエンスを推定する。
• シードノードの選択に対して理論的近似保証を備えたグリーディ最大化アルゴリズムを導入する。
• 計算オーバーヘッドを低減するため、早期停止およびプルーニング技術を活用してサンプリングプロセスを最適化する。
• ネットワーク構造と時間的性質を活用し、正確性を損なわずにインフルエンス推定を高速化する。

実験結果

リサーチクエスチョン

• RQ1 バイナリインフルエンス、スレッショルドモデル、クロージネス・セントラリティを、範囲と時間の両方を考慮する一貫した測度に統合する方法は何か？
• RQ2 大規模ネットワークにおけるスケーラブルなタイムドインフルエンスの計算に適した効率的アルゴリズムは何か？
• RQ3 実用的制約のもとでタイムドインフルエンスを最大化しつつ、理論的保証を維持する方法は何か？
• RQ4 タイムドインフルエンス推定における、異なるサンプリング戦略の性能と正確性のトレードオフは何か？

主な発見

• 提案されたタイムドインフルエンス測度は、バイナリインフルエンス、スレッショルドモデル、クロージネス・セントラリティを、一貫したフレームワークに統合・一般化することに成功した。
• 新規アルゴリズムは、最先端のスレッショルドタイムドインフルエンス計算と比較して、スケーラビリティにおいて桁違いの向上を達成した。
• 本手法は、インフルエンス計算およびシードノード選択の両方において、近似品質と収束に関する強固な理論的保証を提供する。
• アルゴリズム設計のおかげで、大規模ネットワークでも効率的な計算が可能となり、タイムドインフルエンス解析が実世界の応用に実用的になった。