[논문 리뷰] Adaptive Influence Maximization under General Feedback Models

Guangmo Tong, Ruiqi Wang|arXiv (Cornell University)|2019. 02. 01.

Advanced Bandit Algorithms Research참고 문헌 17인용 수 10

한 줄 요약

이 논문은 일반 피드백 모델을 제안하여 적응형 영향력 확산 문제(Adaptive Influence Maximization, AIM)를 다루며, 확산 라운드 이후 고정 간격으로 시드 노드를 선택하는 방식을 도입한다. 이는 전체 종료를 기다리지 않는 방식이다. 논문은 관찰을 기다리는 것과 조기에 행동하는 것 사이의 트레이드오프를 분석하기 위해 회귀 비율(regret ratio)을 핵심 지표로 제안하며, 비적응형 순하중성(non-adaptive-submodular) 설정 하에서 그린드 정책의 첫 번째 근사 분석을 제공한다. 이는 일반 피드백 모델 하에서 (1−e−1/α(Tg))-근사 bound를 도출한다.

ABSTRACT

Influence maximization is a prototypical problem enabling applications in various domains, and it has been extensively studied in the past decade. The classic influence maximization problem explores the strategies for deploying seed users before the start of the diffusion process such that the total influence can be maximized. In its adaptive version, seed nodes are allowed to be launched in an adaptive manner after observing certain diffusion results. In this paper, we provide a systematic study on the adaptive influence maximization problem, focusing on the algorithmic analysis of the scenarios when it is not adaptive submodular. We introduce the concept of regret ratio which characterizes the key trade-off in designing adaptive seeding strategies, based on which we present the approximation analysis for the well-known greedy policy. In addition, we provide analysis concerning improving the efficiencies and bounding the regret ratio. Finally, we propose several future research directions.

연구 동기 및 목표

• 일반 피드백 모델 하에서 문제의 적응형 순하중성이 성립하지 않을 경우, 적응형 영향력 확산 문제(AIM)에 대한 이론적 분석의 격차를 보완하기 위해.
• 실제 세계의 제약 조건인 고정 관찰 간격과 제한된 관찰 가능성 등을 포괄하는 일반화된 피드백 모델을 정식화하기 위해.
• 관찰 품질과 조기 시드 배포 사이의 트레이드오프를 정량화하는 성능 지표로 회귀 비율(regret ratio)을 도입하기 위해.
• 적응형 순하중성 가정을 초월하여 일반 피드백 모델 하에서 그린드 정책에 대한 첫 번째 근사 분석을 제공하기 위해.
• 복잡한 관찰 제약 조건 하에서의 적응형 시드 배포 전략의 실용적 함의와 향후 연구 방향 탐색하기 위해.

제안 방법

• 각 d번의 확산 라운드마다 하나의 시드 노드를 선택하는 일반화된 피드백 모델을 제안한다 (d ∈ ℤ⁺ ∪ {∞}), 이는 Myopic(d=1) 및 Full Adoption(d=∞) 모델을 일반화한다.
• 관찰 품질과 시드 배포 시점의 적절성 사이의 트레이드오프를 측정하기 위해 회귀 비율(regret ratio)을 도입한다. 이는 전체 확산을 기다리지 않는 비용을 포괄한다.
• 결정 트리 프레임워크를 사용하여 그린드 정책을 분석하고, α(Tg)는 관찰 당 영향력 증가량을 측정하는 바, (1−e−1/α(Tg))-근사 bound를 유도한다.
• 기존 연구에서 사용된 표준 적응형 순하중성 가정을 초월하여, 비적응형 순하중성 설정에 대한 분석을 적용한다.
• 배치 모드 시드 배포 및 다양한 관찰 모델(제한된 관찰 또는 프로브 기반 간선 관찰 포함)으로의 확장을 고려한다.
• 일반 피드백를 네트워크 상태로부터 관찰 가능한 간선의 분포로 모델링함으로써, 민첩하고 현실적인 관찰 모델링을 가능하게 한다.

실험 결과

연구 질문

• RQ1 적응형 순하중성이 성립하지 않을 경우, 일반 피드백 모델 하에서 그린드 정책의 성능을 이론적으로 분석할 수 있는 방법은 무엇인가?
• RQ2 적응형 시드 배포에서 더 많은 관찰을 기다리는 것과 조기에 행동하는 것 사이의 트레이드오프를 정량화하는 데 효과적인 지표는 무엇인가?
• RQ3 피드백 모델의 선택(예: d=1 대비 d=∞)이 영향력 확산 및 그린드 시드 배포 성능에 어떤 영향을 미치는가?
• RQ4 적응형 순하중성을 만족하지 않는 일반 피드백 모델 하에서 그린드 정책의 근사 비율을 유계로 제한할 수 있는가?
• RQ5 제한된 관찰 또는 유연한 관찰 모델이 적응형 시드 배포 전략과 그 이론적 분석에 어떤 영향을 미치는가?

주요 결과

• 회귀 비율은 적응형 영향력 확산 문제에서 관찰 품질과 시드 배포 시점의 적절성 사이의 근본적 트레이드오프를 포괄하는 새로운 지표로 도입되었다.
• 논문은 적응형 순하중성이 성립하지 않는 일반 피드백 모델 하에서 그린드 정책에 대한 첫 번째 근사 분석을 제공하며, (1−e−1/α(Tg))-근사 bound를 확립하였다.
• 분석 결과는 문제의 적응형 순하중성이 없더라도 그린드 정책이 강력한 성능을 유지함을 보여주며, 기존의 가정을 초월하여 그린드 방법의 적용 가능성을 넓혔다.
• 실험 결과는 대부분의 설정에서 적응형 시드 배포 전략이 비적응형 전략보다 뛰어난 성능을 보임을 입증하며, 제안된 모델의 실용적 가치를 검증한다.
• 일반 피드백 모델은 고정된 배포 일정, 제한된 관찰 가능성, 라운드 기반 관찰이 아닌 트리거 기반 관찰 등 실제 세계의 제약 조건을 민첩하게 모델링할 수 있도록 한다.
• 이 프레임워크는 기존의 Myopic 및 Full Adoption 피드백 모델을 일반화하며, 향후 프로브 기반 또는 이벤트 기반 관찰 메커니즘으로의 확장을 허용한다.