[논문 리뷰] Estimating Social Influence from Observational Data

Dhanya Sridhar, Caterina De Bacco외 1명|arXiv (Cornell University)|2022. 03. 24.

Advanced Causal Inference Techniques인용 수 5

한 줄 요약

이 논문은 관찰된 네트워크 및 행동 데이터에서 잠재 변수를 사용한 확률적 요인 분석 모델을 통해 관측되지 않은 혼동 요인을 모델링함으로써 사회적 영향력을 추정하는 Poisson Influence Factorization (PIF)를 제안한다. PIF는 반-합성 데이터와 실제 Last.fm 데이터에서 기존 방법들보다 정확도와 강건성 면에서 뛰어나며, 상호 관련된 음악 재생 행동에서 사회적 영향력이 이전에 생각했던 것보다 작다는 것을 드러낸다.

ABSTRACT

We consider the problem of estimating social influence, the effect that a person's behavior has on the future behavior of their peers. The key challenge is that shared behavior between friends could be equally explained by influence or by two other confounding factors: 1) latent traits that caused people to both become friends and engage in the behavior, and 2) latent preferences for the behavior. This paper addresses the challenges of estimating social influence with three contributions. First, we formalize social influence as a causal effect, one which requires inferences about hypothetical interventions. Second, we develop Poisson Influence Factorization (PIF), a method for estimating social influence from observational data. PIF fits probabilistic factor models to networks and behavior data to infer variables that serve as substitutes for the confounding latent traits. Third, we develop assumptions under which PIF recovers estimates of social influence. We empirically study PIF with semi-synthetic and real data from Last.fm, and conduct a sensitivity analysis. We find that PIF estimates social influence most accurately compared to related methods and remains robust under some violations of its assumptions.

연구 동기 및 목표

• 공동 특성 및 선호도와 같은 혼동 요인(예: 동질성)이 영향력 효과를 모방할 수 있는 관찰 데이터에서 사회적 영향력을 추정하는 데 도전하는 것.
• 단순 상관관계에 의존하는 것 대신, 반사적 추론이 필요한 원인적 효과로서 사회적 영향력을 수학적으로 정의하는 것.
• 공유된 관심사나 선호도와 같은 핵심 혼동 요인이 관측되지 않을 경우에도 영향력을 추정할 수 있는 방법을 개발하는 것.
• 반-합성 데이터와 실제 Last.fm 데이터를 사용하여 정확도와 강건성을 평가함으로써 방법의 실증적 성능을 평가하는 것.
• 표준 방법들이 관측되지 않은 혼동 요인을 고려하지 않아 사회적 영향력이 과대평가되고 있음을 보여주는 것.

제안 방법

• 반사적 간섭을 사용하여 사회적 영향력을 원인적 효과로 수학적으로 정의: '우리가 친구의 과거 행동을 간섭함으로써 동료의 행동은 어떻게 변할 것인가?'.
• 사용자 행동(예: 음악 재생)과 네트워크 구조(예: 친구 관계)를 파라미터화하는 데 Poisson 요인 분석을 사용하는 PIF라는 공동 확률 모델을 개발.
• 사용자별 및 항목별 잠재 변수를 사용자 간의 관계와 행동에 영향을 주는 관측되지 않은 혼동 요인의 대체 측정치로 활용.
• 추정된 잠재 변수를 사용해 원인적 편향을 줄이기 위해 원인 조정을 적용함으로써 혼동 요인의 영향을 줄이는 것.
• 스케일이 큰 추론을 가능하게 하기 위해 변동형 추론을 사용해 잠재 요인의 사후 분포를 근사적으로 추정.
• 실제 Last.fm 데이터와 반-합성 시뮬레이션을 사용하여 향후 행동 예측의 정확도 평가를 위해 보류된 데이터 예측 가능도와 AUC를 사용해 모델 성능을 평가.

실험 결과

연구 질문

• RQ1 공동 특성 및 선호도와 같은 혼동 요인이 관측되지 않을 경우, 관찰 데이터에서 사회적 영향력을 얼마나 신뢰성 있게 추정할 수 있는가?
• RQ2 PIF의 사회적 영향력 추정치는 단순 상관관계, 네트워크 전용 모델, 다단계 Poisson 요인 분석과 같은 기준선 방법과 비교해 어떻게 다른가?
• RQ3 실제 데이터 환경에서 모델 가정 위반에 대해 PIF는 얼마나 강건한가?
• RQ4 친구 간 관찰된 행동 상관관계의 몇 퍼센트가 사회적 영향력 때문인지, 공유된 선호도나 특성 때문인지?
• RQ5 다른 방법들보다 더 나은 보류된 데이터 일반화 성능를 보였는가? 이는 PIF가 행동 전파의 진정한 원인 과정을 잘 포착하고 있음을 시사한다.

주요 결과

• PIF는 Last.fm 데이터에서 가장 높은 보류된 Poisson 로그 가능도(-186)와 AUC(0.67)를 기록하여, 단순 상관관계, mSPF, Net-Only 방법을 포함한 모든 기준선을 앞섰다.
• PIF가 추정한 평균 영향력(0.0006)은 단순 상관관계 방법의 추정치(0.004)보다 거의 10배 작았으며, 이는 관측된 상관관계의 대부분이 영향력 때문이 아니라 혼동 요인 때문임을 시사한다.
• 반-합성 실험에서 PIF는 높은 혼동 요인 하에서도 진정한 영향력 값을 더 정확하게 복원하는 데 성공했으며, 관련 기법들보다 뛰어난 정확도를 보였다.
• 민감도 분석을 통해 PIF는 일부 모델 가정 위반에도 강건함을 입증했으며, 이는 실세계 환경에서의 실용적 유용성을 시사한다.
• 실제 Last.fm 데이터에서 PIF는 친구 간 음악 재생 행동이 상관되어 있음에도 불구하고, 대부분의 상관관계가 직접적인 사회적 영향력 때문이 아니라 공유된 선호도 때문임을 드러냈다.
• 기준선 모델(과거 재생 빈도 기반 예측)은 보류된 로그 가능도 -317.8을 기록했으며, PIF는 이에 비해 유의미하게 향상시켰다. 이는 더 뛰어난 예측 능력과 원인적 충실도를 의미한다.