[논문 리뷰] DISCO: Influence Maximization Meets Network Embedding and Deep Learning

Hui Li, Mengting Xu외 4명|arXiv (Cornell University)|2019. 06. 18.

Complex Network Analysis Techniques참고 문헌 40인용 수 23

한 줄 요약

DISCO는 네트워크 임bedding와 딥 강화학습을 통합한 새로운 딥러닝 프레임워크를 제안하여, 비용이 많이 드는 확산 샘플링을 회피하고 사회적 네트워크 내 영향력 확산을 추정한다. 이는 전통적인 샘플링 기반 방법보다 높은 효율성과 더 나은 영향력 확산 품질을 보이며, 영향력 최대화 분야에서 최고의 성능을 달성한다.

ABSTRACT

Since its introduction in 2003, the influence maximization (IM) problem has drawn significant research attention in the literature. The aim of IM is to select a set of k users who can influence the most individuals in the social network. The problem is proven to be NP-hard. A large number of approximate algorithms have been proposed to address this problem. The state-of-the-art algorithms estimate the expected influence of nodes based on sampled diffusion paths. As the number of required samples have been recently proven to be lower bounded by a particular threshold that presets tradeoff between the accuracy and efficiency, the result quality of these traditional solutions is hard to be further improved without sacrificing efficiency. In this paper, we present an orthogonal and novel paradigm to address the IM problem by leveraging deep learning models to estimate the expected influence. Specifically, we present a novel framework called DISCO that incorporates network embedding and deep reinforcement learning techniques to address this problem. Experimental study on real-world networks demonstrates that DISCO achieves the best performance w.r.t efficiency and influence spread quality compared to state-of-the-art classical solutions. Besides, we also show that the learning model exhibits good generality.

연구 동기 및 목표

• 확산 샘플링의 높은 계산 비용 문제를 해결하기 위해 이를 학습된 영향력 추정 모델로 대체함으로써, 영향력 최대화(IM)에서의 계산 비용을 낮추는 것.
• 딥 강화학습과 네트워크 임베딩을 사용하여 노드의 기대 영향력을 예측하는 프레임워크를 개발함으로써 반복적인 샘플링을 피하는 것.
• 시드 노드 선택 순서에 관계없이 안정적인 영향력 매핑을 학습함으로써 k개의 시드 노드를 동시에 선택할 수 있도록 하는 것.
• 재훈련 없이도 동일한 네트워크 유형의 새로운 네트워크에 대해 학습된 모델의 일반화 능력을 입증하는 것.
• 최신 샘플링 기반 IM 알고리즘과 비교해 영향력 확산 품질과 계산 효율성 간의 우수한 트레이드오프를 달성하는 것.

제안 방법

• DISCO는 각 노드와 부분 그래프의 네트워크 구조를 저차원 벡터 표현으로 변환하기 위해 네트워크 임베딩을 사용한다.
• 딥 강화학습을 활용해 부분 시드 세트 S에 대해 노드 v의 기대 영향력을 예측하는 함수 $\tilde{\sigma}(v,S;\Theta)$ 를 학습한다.
• 기대 영향력 확산에 기반한 보상 신호를 사용하여 지도 학습이 아닌 엔드 투 엔드 학습을 가능하게 하며, 진짜 영향력 레이블이 필요로 하지 않는다.
• 반복적인 랜덤 교차 샘플링(RIS)이 필요 없도록, 학습된 함수를 통해 직접 영향력을 예측함으로써 이를 회피한다.
• 영향력 예측 함수는 시드 세트 갱신에 대해 안정적이게 설계되어 있어, 모든 k개의 시드 노드를 동시에 선택할 수 있도록 한다.
• 다중 홉 주변부 집합 기반 메커니즘이 4단계까지의 구조적 특징을 캡처하며, 가중치는 학습된 어텐션 파rameter에 의해 결정된다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 비용이 많이 드는 확산 샘플링에 의존하지 않고도 사회적 네트워크 내 기대 영향력 확산을 정확하게 추정할 수 있는가?
• RQ2 새로운 시드가 시드 세트에 추가될 때 학습된 영향력 예측 모델이 안정성과 일관성을 유지하는가?
• RQ3 제안된 프레임워크는 최신 샘플링 기반 IM 알고리즘보다 더 높은 영향력 확산 품질과 효율성을 달성할 수 있는가?
• RQ4 학습된 모델이 서로 유사한 구조를 가진 다른 네트워크에 얼마나 잘 일반화되는가?
• RQ5 딥러닝 기반 영향력 예측기를 사용해 k개의 시드 노드를 동시에 선택하는 것이 실현 가능한가?

주요 결과

• DISCO는 실제 네트워크에서 비교된 모든 방법 중 가장 높은 영향력 확산 품질을 달성하며, 최신 샘플링 기반 알고리즘을 능가한다.
• 반복적인 확산 샘플링이 필요 없어지면서 계산 비용이 크게 감소하여 뛰어난 효율성을 보여준다.
• 학습된 영향력 예측 모델은 동일한 유형의 여러 동형 네트워크에 대해 잘 일반화되며, 동일한 네트워크 유형의 새로운 인스턴스에 대해 재훈련이 필요로 하지 않는다.
• 예측 안정성 덕분에 시드 선택 후에도 노드의 상대적 영향력 순위가 크게 변하지 않아, 동시에 k개의 노드를 선택할 수 있다.
• 이론적 분석 결과, 노드 쌍 간의 영향력 예측 차이의 기대값은 $\sum_{i=1}^{4}\frac{2i|\overline{N(v)}|^{i}}{n^{2}}$ 로 유계이므로, 시드 세트 변화에 대해 강건함을 입증한다.
• 실험 결과는 DISCO가 RIS 기반 방법보다 더 적은 계산 자원으로 최적의 영향력 확산의 $ (1 - 1/e - \epsilon) $-근사치를 달성함을 확인한다.