[논문 리뷰] Diffusion Independent Semi-Bandit Influence Maximization.

Sharan Vaswani, Branislav Kveton외 4명|arXiv (Cornell University)|2017. 03. 01.

Advanced Bandit Algorithms Research인용 수 11

한 줄 요약

이 논문은 확산 모델에 종속되지 않는, 통계적으로 효율적인 프레임워크를 제안한다. 영향력 확산 최적화를 위해 확산 독립적 대체 목적함수와 쌍별 영향력 반응 모델을 사용하며, LinUCB 기반의 밴딧 알고리즘을 도입하여 네트워크 크기에 대한 오차 한계의 개선된 의존성을 달성한다. 이는 다양한 확산 모델에서 뛰어난 안정성과 거의 최적의 성능을 보여준다.

ABSTRACT

We consider influence maximization (IM) in social networks, which is the problem of maximizing the number of users that become aware of a product by selecting a set of seed users to expose the product to. While prior work assumes a known model of information diffusion, we propose a novel parametrization that not only makes our framework agnostic to the underlying diffusion model, but also statistically efficient to learn from data. We give a corresponding monotone, submodular surrogate function, and show that it is a good approximation to the original IM objective. We also consider the case of a new marketer looking to exploit an existing social network, while simultaneously learning the factors governing information propagation. For this, we propose a pairwise-influence semi-bandit feedback model and develop a LinUCB-based bandit algorithm. Our model-independent analysis shows that our regret bound has a better (as compared to previous work) dependence on the size of the network. Experimental evaluation suggests that our framework is robust to the underlying diffusion model and can efficiently learn a near-optimal solution.

연구 동기 및 목표

• 기존의 영향력 확산 최적화 방법이 고정된 확산 모델에 의존하는 한계를 해결하기 위해.
• 기본 정보 확산 과정에 대해 무관하되, 데이터로부터 효율적으로 학습할 수 있도록 통계적으로 효율적인 프레임워크를 개발하기 위해.
• 기존 사회적 네트워크에서 새로운 마케터가 동시에 확산 역학을 학습하고 시드 선택을 최적화할 수 있도록 하기 위해.
• 영향력 확산의 전체 관찰이 필요 없이도 관련된 확산 신호를 포착할 수 있는 피드백 메커니즘—쌍별 영향력 반응형 반응 모델—을 설계하기 위해.
• 기존 연구 대비 네트워크 크기에 대한 오차 한계 의존성이 향상된 결과를 도출하여 확장성과 실용성을 높이기 위해.

제안 방법

• 특정 확산 모델을 가정하지 않고도 원래의 영향력 확산 최적화 목표를 근사할 수 있는 단조성과 하위모듈라성을 유지하는 대체 목적함수를 제안한다.
• 노드 쌍 간의 영향력 결과를 관찰하는 쌍별 영향력 반응형 반응 모델을 도입하여, 부분적 피드백으로도 효율적인 학습을 가능하게 한다.
• 쌍별 피드백에서 영향력 파rameter를 선형적 맥락 밴딧 기반으로 학습하는 LinUCB 기반의 밴딧 알고리즘을 개발한다.
• 대체 목적함수를 효율적으로 최적화할 수 있도록 구현하면서도 진정한 IM 목표함수에 대해 좋은 근사가 되도록 설계하여 이론적 성능 보장을 확보한다.
• 모델 독립적 분석을 통해 네트워크 크기에 대해 유리하게 스케일링되는 오차 한계를 유도하며, 기존 연구를 향상시킨다.
• 통계적 효율성을 활용해 표본 복잡도를 감소시켜, 거의 최적의 시드 세트에 빠르게 수렴하도록 한다.

실험 결과

연구 질문

• RQ1 기본 확산 모델이 알려져 있지 않은 상황에서, 알려진 확산 모델에 종속되지 않는 반응형 반응 프레임워크를 설계할 수 있는가?
• RQ2 기본 확산 모델에 종속되지 않으면서도 단조성과 하위모듈라성을 유지하면서 진정한 영향력 확산 최적화 목표를 잘 근사할 수 있는 대체 목적함수를 어떻게 구성할 수 있는가?
• RQ3 쌍별 영향력 반응형 반응 모델 하에서 LinUCB 기반 알고리즘의 오차 성능은 어떻게 되며, 네트워크 크기에 따라 어떻게 스케일링되는가?
• RQ4 독립적 확산 모델이나 선형 임계 모델과 같은 기초 확산 과정의 변동에 대해 제안된 방법은 얼마나 강건한가?
• RQ5 이 프레임워크는 기존 네트워크에서 최소한의 사전 지식으로도 새로운 마케터가 영향력 확산을 동시에 학습하고 최적화할 수 있도록 할 수 있는가?

주요 결과

• 제안된 대체 목적함수는 원래의 영향력 확산 최적화 목표에 대해 강력한 근사를 제공하며, 효율적인 최적화를 위해 단조성과 하위모듈라성을 유지한다.
• LinUCB 기반의 밴딧 알고리즘은 네트워크 크기에 대한 오차 한계 의존성이 이전 연구보다 향상되어 확장성 향상에 기여한다.
• 프레임워크는 독립적 확산 모델과 선형 임계 모델을 포함한 다양한 확산 모델에서 뛰어난 성능을 보이며, 모델에 종속되지 않는 효과를 입증한다.
• 실험적 평가를 통해 진정한 확산 모델이 알려지지 않은 상황에서도 이론적으로 거의 최적의 시드 세트를 효율적으로 학습함을 확인하였다.
• 쌍별 영향력 반응형 반응 피드백 모델은 전체 확산 경로 관찰에 비해 관찰 오버헤드를 줄여 효과적인 학습을 가능하게 하며, 실용적 구현 가능성을 향상시킨다.
• 이론적 오차 보장은 유지하면서도 뛰어난 실증 성능을 달성하여, 실제 영향력 확산 최적화 과제에 대한 실용적 관련성을 입증한다.