[논문 리뷰] Fast Influence Maximization in Dynamic Graphs: A Local Updating Approach

Vijaya Krishna Yalavarthi, Arijit Khan|arXiv (Cornell University)|2018. 02. 02.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 동적 그래프에서 빠른 影響 확산을 위한 국소 업데이트 프레임워크인 N-Family를 제안한다. 네트워크의 구조적 변화 후에는 영향을 받는 노드들만 재평가된다. 이는 최신 기술 대비 1–2개의 지수 차수 빠른 시드 세트 업데이트를 달성하면서도 영향 확산과 메모리 사용량을 유지하며, MIA 모델 하에서 (1−1/e) 근사 보장을 제공한다.

ABSTRACT

We propose a generalized framework for influence maximization in large-scale, time evolving networks. Many real-life influence graphs such as social networks, telephone networks, and IP traffic data exhibit dynamic characteristics, e.g., the underlying structure and communication patterns evolve with time. Correspondingly, we develop a dynamic framework for the influence maximization problem, where we perform effective local updates to quickly adjust the top-k influencers, as the structure and communication patterns in the network change. We design a novel N-Family approach (N=1, 2, 3, ...) based on the maximum influence arborescence (MIA) propagation model with approximation guarantee of (1-1/e). We then develop heuristic algorithms by extending the N-Family approach to other information propagation models (e.g., independent cascade, linear threshold) and influence maximization algorithms (e.g., CELF, reverse reachable sketch). Based on a detailed empirical analysis over several real-world, dynamic, and large-scale networks, we find that our proposed solution, N-Family improves the updating time of the top-k influencers by 1-2 orders of magnitude, compared to state-of-the-art algorithms, while ensuring similar memory usage and influence spreads.

연구 동기 및 목표

• 소셜 미디어 및 IP 트래픽 그래프와 같은 대규모 시간에 따라 변화하는 네트워크에서 최상위 k개의 영향력 있는 노드를 효율적으로 유지하는 데 도전한다.
• 엣지 추가/삭제 또는 영향 확산 확률 변화와 같은 네트워크 업데이트 후에 영향 확산 시드를 재계산하는 데 드는 계산 비용을 줄인다.
• 다양한 영향 확산 모델(예: IC, LT)과 알고리즘(예: CELF, RRS)에 적용 가능한 일반화된 프레임워크를 개발한다.
• 각 업데이트 후에 영향을 받는 네트워크 영역만 식별하여 최소한의 재계산을 보장한다.
• 업데이트 속도를 크게 향상시키면서도 높은 영향 확산과 메모리 효율성을 유지한다.

제안 방법

• 최대 영향력 트리(영향 확산 모델) 기반의 새로운 N-Family 방법을 제안하여, 영향 확산 최적화에 대해 (1−1/e) 근사 보장을 제공한다.
• 네트워크 업데이트 후 영향 확산 또는 마진 간접 변화가 발생하는 노드들(영향을 받는 영역)을 식별하기 위한 반복적 알고리즘을 설계한다.
• 영향을 받는 영역에서 오래된 시드 노드를 제거하고, 해당 영역 내에서만 새로운 시드를 재계산하는 국소 업데이트를 적용한다.
• N-Family 접근법을 다른 모델(예: 독립 캐스케이드, 선형 임계값)과 알고리즘(예: 역방향 도달 가능 스케치)으로 확장한다.
• 스ไล딩 윈도우 모델을 사용하여 동적 업데이트를 시뮬레이션하며, 윈도우의 앞부분에서 엣지를 제거하고 뒷부분에 추가한다.
• 파rameter θ를 통한 임계 기반 가족 크기 제어와 고정된 영향 영역(IRs) 수를 사용하여 효율성과 커버리지 사이의 균형을 이룬다.

실험 결과

연구 질문

• RQ1 네트워크 업데이트 후 영향 확산 또는 마진 간접 변화가 발생하는 노드의 부분집합을 효율적으로 식별하는 방법은 무엇인가?
• RQ2 국소 재계산을 통해 동적 그래프에서 최상위 k개의 영향력 있는 노드 업데이트에 드는 시간 비용을 얼마나 줄일 수 있는가?
• RQ3 제안된 프레임워크는 빠른 속도 향상과 함께 높은 영향 확산과 메모리 효율성을 유지할 수 있는가?
• RQ4 θ와 영향 영역(IRs) 수와 같은 파라미터가 효율성과 영향 커버리지 사이의 트레이드오프에 미치는 영향은 어떠한가?
• RQ5 실세계 동적 네트워크에서 시드 세트 크기와 업데이트 빈도가 다양할 경우, 이 프레임워크는 어떻게 확장 가능한가?

주요 결과

• N-Family 프레임워크는 실세계 동적 네트워크에서 최신 기술 대비 최상위 k개의 영향력 있는 노드 업데이트 시간을 1~2개의 지수 차수 빠르게 개선한다.
• N-Family 접근법의 변종인 F-CELF은 트위터 데이터의 슬라이딩 윈도우 모델에서 UBI+와 DIA 대비 최대 3개의 지수 차수 빠른 속도 향상을 달성한다.
• θ = 10⁻¹일 경우, θ = 10⁰에 비해 영향 확산이 약 8.4% 향상되며, 더 작은 θ 값에서는 추가적인 유의미한 향상이 없다.
• 스케치 기반 방법의 경우 영향 커버리지가 β = 32에서趋포화되며, 이는 커버리지와 효율성 사이의 최적 균형을 나타낸다.
• 시드 세트 크기가 100인 경우조차도 F-RRS는 DIA보다 1개 이상의 지수 차수 빠르며, 확장성을 입증한다.
• 계산 시간이 크게 감소했음에도 불구하고, 이 방법은 기준 방법과 유사한 영향 확산과 메모리 사용량을 유지한다.