[논문 리뷰] Boosting Nodes for Improving the Spread of Influence

Konstantinos Liontis, Evaggelia Pitoura|arXiv (Cornell University)|2016. 09. 12.

Complex Network Analysis Techniques참고 문헌 11인용 수 4

한 줄 요약

이 논문은 고정된 시드 세트에서 影響 확산을 최대화하기 위해 작은 수의 노드를 향상시키는 데 초점을 맞춘 Boost Set Selection 문제를 제안한다. MoBoo 및 TMoBoo와 같은 효율적인 알고리즘을 제안하여 가장 가능성 높은 경로를 활용함으로써 그레디 계측보다 수 개의 주기 빠르게 최적의 부스터 세트 순서를 근사하며, 유사한 영향 확산 성과를 달성한다—때로는 더 많은 시드를 추가하는 것보다도 더 큰 영향을 미친다.

ABSTRACT

Information diffusion in networks has received a lot of recent attention. Most previous work addresses the influence maximization problem of selecting an appropriate set of seed nodes to initiate the diffusion process so that the largest number of nodes is reached. Since the seed selection problem is NP hard, most solutions are sub-optimal. Furthermore, there may be settings in which the seed nodes are predetermined. Thus, a natural question that arise is: given a set of seed nodes, can we select a small set of nodes such that if we improve their reaction to the diffusion process, the largest increase in diffusion spread is achieved? We call this problem, the boost set selection problem. In this paper, we formalize this problem, study its complexity and propose appropriate algorithms. We also evaluate the effect of boosting in a number of real networks and report the increase of influence spread achieved for different seed sets, time limits in the diffusion process and other diffusion parameters.

연구 동기 및 목표

• 시드 노드가 사전에 결정되거나 최적화되지 않은 경우 영향 확산을 최대화하는 데 도전하는 데 목적을 두다.
• Boost Set Selection 문제를 정식화한다: 최대 확산 성과를 얻기 위해 k개의 노드를 향상시킬(예: 더 빠르게 또는 더 높은 확률로 영향을 미치게 하여) 최적의 선택을 정의한다.
• 문제의 계산 복잡도를 연구하여 NP-난이도이자 비하위모듈라임을 입증한다.
• 그레디 방법보다 더 잘 스케일링되는 효율적인 근사 알고리즘을 설계한다.
• 시간, 예산, 시드 품질 등의 다양한 매개변수 하에서 실제 네트워크에서 부스터링의 영향을 평가한다.

제안 방법

• 노드의 영향 확산 확률을 증가시키거나 활성화 지연을 감소시킴으로써 부스터링을 정식화하고, 이는 지연 고려 독립 확산(LAIC) 프레임워크 내에서 모델링한다.
• 가장 가능성 높은 영향 확산 경로를 추적함으로써 고영향성 노드를 식별하는 Most Probable Path Algorithm(MoBoo)를 제안한다. 이는 지연을 고려하지 않는다.
• 노드별 지연을 통합하여 경로 추정 정확도를 향상시킨 MoBoo의 시간 의존적 확장인 TMoBoo를 소개한다.
• 단일 최대 가능성 경로를 초월해 다수의 독립적 영향 경로를 고려하는 MIIP 알고리즘을 설계한다.
• 시드 노드에 가까운 노드를 우선순위로 삼아 부스터 후보로 고려하는 거리 기반 알고리즘을 개발한다.
• 실제 데이터셋을 사용한 시뮬레이션 기반 평가를 통해 다양한 매개변수 하에서 알고리즘 성능과 영향 확산을 비교한다.

실험 결과

연구 질문

• RQ1 시드 노드가 고정되거나 최적화되지 않은 상황에서 소수의 노드 반응성을 향상시키는 것이 영향 확산을 크게 증가시킬 수 있는가?
• RQ2 Boost Set Selection 문제는 계산적으로 해석 가능한가? 그리고 그 복잡도 클래스는 무엇인가?
• RQ3 부스터링으로 얻는 영향 확산 성과가 더 많은 시드 노드를 추가하는 것보다 뛰어나게 될 수 있는가?
• RQ4 시간 제약, 예산 배분, 노드 활성화 확률은 부스터링의 효과성에 어떤 영향을 미치는가?
• RQ5 효율적인 근사 알고리즘이 속도와 영향 확산 성과 모두에서 그레디 기반 기준을 능가할 수 있는가?

주요 결과

• 소수의 노드를 부스터링하는 것으로도, 특히 부스터링된 노드 수가 시드 수와 유사할 때, 몇 개의 새로운 시드를 추가하는 것보다 더 큰 영향 확산 성과를 달성할 수 있다.
• TMoBoo 알고리즘은 그레디 기반 기준과 유사한 영향 확산 성과를 달성하지만, 수 개의 주기 빠르게 실행된다.
• MoBoo와 TMoBoo는 그레디보다 훨씬 효율적이지만, 영향 확산 성과는 그레디와 유사한 부스터 세트를 반환한다.
• 부스터링에 할당된 예산(b)을 늘릴수록 영향 확산 성과가 비례적으로 증가함을 보여주며, 사용자 반응성은 시드 선택과 동일한 중요도를 가진다.
• 낮은 활동성 네트워크(예: 낮은 활성화 확률)에서도 소수의 노드를 부스터링하면, 부스터링 없이도 높은 활동성 네트워크에서 달성하는 것과 동일한 확산 성과를 얻을 수 있다.
• 첫 번째 시간 단위(1st-tu)에 노드의 영향 확산 확률을 증가시키는 전략이 가장 높은 확산 성과를 내며, 특히 예산 수준이 높을수록 두드러진다.