[논문 리뷰] An Efficient Randomized Algorithm for Rumor Blocking in Online Social Networks

Guangmo Tong, Weili Wu외 5명|arXiv (Cornell University)|2017. 01. 09.

Complex Network Analysis Techniques참고 문헌 16인용 수 5

한 줄 요약

이 논문은 온라인 소셜 네트워크에서 효율적인 루머 차단을 위한 새로운 랜덤 알고리즘인 RBR(R-tuple 기반 랜덤화)를 제안한다. 역 샘플링과 R-tuple 기반 추정을 활용하여, O(k·m·ln n / δ²) 시간 내에 (1−1/e−δ)-근사값을 달성하며, 성능 보장이 강력한 것과 함께 몬테카를로 기반 방법보다 빠른 속도를 확보한다.

ABSTRACT

Social networks allow rapid spread of ideas and innovations while the negative information can also propagate widely. When the cascades with different opinions reaching the same user, the cascade arriving first is the most likely to be taken by the user. Therefore, once misinformation or rumor is detected, a natural containment method is to introduce a positive cascade competing against the rumor. Given a budget $k$, the rumor blocking problem asks for $k$ seed users to trigger the spread of the positive cascade such that the number of the users who are not influenced by rumor can be maximized. The prior works have shown that the rumor blocking problem can be approximated within a factor of $(1-1/e-δ)$ by a classic greedy algorithm combined with Monte Carlo simulation with the running time of $O(\frac{k^3mn\ln n}{δ^2})$, where $n$ and $m$ are the number of users and edges, respectively. Unfortunately, the Monte-Carlo-simulation-based methods are extremely time consuming and the existing algorithms either trade performance guarantees for practical efficiency or vice versa. In this paper, we present a randomized algorithm which runs in $O(\frac{km\ln n}{δ^2})$ expected time and provides a $(1-1/e-δ)$-approximation with a high probability. The experimentally results on both the real-world and synthetic social networks have shown that the proposed randomized rumor blocking algorithm is much more efficient than the state-of-the-art method and it is able to find the seed nodes which are effective in limiting the spread of rumor.

연구 동기 및 목표

• 영향력 추정을 위해 몬테카를로 시뮬레이션에 의존하는 기존 루머 차단 알고리즘의 계산 비효율성을 해결하기 위해.
• 루머 차단 문제에 대해 강력한 (1−1/e−δ)-근사비율을 유지하면서도 확장성 있고 증명 가능한 효율성을 갖춘 알고리즘을 개발하기 위해.
• 계산 비용이 높은 몬테카를로 시뮬레이션을 대체하기 위해 R-tuple 기반의 더 효과적인 역 샘플링 기법을 도입하기 위해.
• 제안된 방법이 실제 및 합성 네트워크에서 성능 보장을 유지하면서도 실행 시간을 크게 향상시킬 수 있음을 입증하기 위해.

제안 방법

• RBR 알고리즘은 전통적인 몬테카를로 시뮬레이션을 대체하기 위해 역-tuple(R-tuple) 샘플링을 사용하여 시드 세트의 기대 영향력을 추정한다.
• 두 단계 접근법을 사용한다: 먼저 R-tuple을 활용해 최적의 영향력을 추정하여 유망한 시드 세트를 식별한다.
• 추정 오차를 제한하고 높은 확률로 근사 보장을 확보하기 위해 체르노프 경계를 적용한다.
• 추정된 영향력에 따라 샘플링 깊이를 동적으로 조정하여 대규모 네트워크에서의 효율성을 향상시킨다.
• 영향력 함수의 하위모듈라리티를 활용하고, 모든 k크기의 부분집합에 대해 유니온 경계를 적용하여 정확성을 보장한다.
• 이론적 분석을 통해 알고리즘이 O(k·m·ln n / δ²) 시간 내에 실행되며, 고확률로 (1−1/e−δ)-근사값을 반환함을 증명한다.

실험 결과

연구 질문

• RQ1 루머 차단에서 몬테카를로 시뮬레이션보다 영향력을 더 효율적으로 추정할 수 있는 랜덤 샘플링 방법을 설계할 수 있는가?
• RQ2 실행 시간을 크게 줄이면서도 (1−1/e−δ)-근사값을 달성하는 것이 가능한가?
• RQ3 역 샘플링 기법을 소셜 네트워크의 경쟁 캐스케이드 모델에 적응시켜 루머 통제에 활용할 수 있는가?
• RQ4 정확성과 효율성 측면에서 R-tuple 기반 샘플링은 몬테카를로 시뮬레이션보다 어떻게 비교되는가?
• RQ5 제안된 알고리즘의 이론적 시간 복잡도는 무엇이며, 네트워크 크기에 따라 잘 스케일링되는가?

주요 결과

• RBR 알고리즘은 고확률로 루머 차단 문제에 대해 (1−1/e−δ)-근사비율을 달성한다.
• 알고리즘은 O(k·m·ln n / δ²) 시간 내에 실행되며, 몬테카를로 기반 그레디 알고리즘의 Ω(k·m·n·poly(δ⁻¹)) 복잡도보다 크게 빠르다.
• 실제 및 합성 네트워크에서의 실험 결과, RBR는 기존 방법보다 실행 시간에서 뛰어난 성능을 보이며 강력한 성능 보장을 유지한다.
• 역-tuple 샘플링 기법은 표준 몬테카를로 시뮬레이션보다 더 정확하고 효율적인 영향력 추정을 제공한다.
• 이론적 분석을 통해 알고리즘의 오차 확률이 유한하며 샘플링을 늘릴수록 감소함을 확인하여 신뢰성을 입증한다.
• 이 방법은 네트워크 크기에 따라 잘 스케일링되며, 이전 방법이 너무 느려 대규모 소셜 네트워크에 적용하기 어려운 환경에서도 실용적이다.