[논문 리뷰] Identifying a set of influential spreaders in complex networks

Jianxiong Zhang, Duanbing Chen외 2명|arXiv (Cornell University)|2016. 01. 30.

Complex Network Analysis Techniques참고 문헌 26인용 수 13

한 줄 요약

이 논문은 영향력 있는 확산자들을 복잡한 네트워크에서 식별하기 위해 반복적인 투표 기반 알고리즘인 VoteRank을 제안한다. 이 알고리즘은 노드들이 영향력을 기반으로 다른 노드에게 투표하며, 선택된 확산자의 이웃 노드들의 투표 능력은 감소시켜 클러스터링을 방지하고 확산자를 네트워크 전역에 걸쳐 분산시키는 방식이다. VoteRank는 SIR 및 SI 모델 하에서 실제 네트워크에서 전파 효율성과 확장성 면에서 기존의 PageRank, k-shell, ClusterRank와 비교해 뛰어난 성능을 보이며, 더 높은 최종 영향 범위와 더 빠른 계산 속도를 달성한다.

ABSTRACT

Identifying a set of influential spreaders in complex networks plays a crucial role in effective information spreading. A simple strategy is to choose top-$r$ ranked nodes as spreaders according to influence ranking method such as PageRank, ClusterRank and $k$-shell decomposition. Besides, some heuristic methods such as hill-climbing, SPIN, degree discount and independent set based are also proposed. However, these approaches suffer from a possibility that some spreaders are so close together that they overlap sphere of influence or time consuming. In this report, we present a simply yet effectively iterative method named VoteRank to identify a set of decentralized spreaders with the best spreading ability. In this approach, all nodes vote in a spreader in each turn, and the voting ability of neighbors of elected spreader will be decreased in subsequent turn. Experimental results on four real networks show that under Susceptible-Infected-Recovered (SIR) model, VoteRank outperforms the traditional benchmark methods on both spreading speed and final affected scale. What's more, VoteRank is also superior to other group-spreader identifying methods on computational time.

연구 동기 및 목표

• 기존의 영향력 최대화 방법이 서로 가까이 모여 있는 확산자를 선택해 전체 전파 효과를 떨어뜨리는 한계를 해결하기 위해.
• 대규모 복잡한 네트워크에서 영향력 있는 확산자를 신속하고 확장성 있고 탈중앙화된 방식으로 식별하기 위한 방법 개발을 위해.
• 선택된 확산자가 네트워크 전역에 잘 분포되어 영향력이 겹치지 않도록 하여 전파 효율성을 향상시키기 위해.
• 특히 대규모 네트워크에서 높은 전파 성능를 유지하면서도 낮은 계산 비용을 확보하기 위해.
• 대규모 응용 분야에서 너무 느리거나 불안정한 탐욕적 및 히우리스틱 방법의 강력한 대안을 제공하기 위해.

제안 방법

• VoteRank는 매 라운드마다 모든 노드가 현재 투표 점수를 기반으로 가장 영향력 있는 노드를 투표하는 반복적 투표 메커니즘을 사용한다.
• 확산자를 선택한 후, 그의 이웃 노드들의 투표 능력을 감소시켜 클러스터링을 방지하고 확산자의 공간적 분산을 촉진한다.
• 투표 점수는 노드의 차수 또는 균일한 값으로 초기화되며, 각 선택 후 동적으로 갱신되어 영향력 잠재력의 변화를 반영한다.
• 알고리즘은 r개의 확산자를 반복적으로 선택하며, 각 선택 단계는 최고의 투표 점수를 가진 노드를 찾고 이웃의 영향력을 갱신하는 것으로 구성된다.
• 이 방법은 네트워크 구조와 국소 정보를 활용하여 영향력이 크고 동시에 잘 분포된 노드를 우선순위로 삼는다.
• 레드_BLK 트리와 같은 데이터 구조를 사용해 계산 복잡도를 최적화하여 각 반복에서 선택 시간을 O(log n)으로 줄였다.

실험 결과

연구 질문

• RQ1 복잡한 네트워크 전역에 걸쳐 효과적이고 잘 분포된 영향력 있는 확산자를 어떻게 식별할 수 있는가?
• RQ2 정적 중심성 측정법(예: 차수 또는 k-shell)과 비교해 반복적 투표 메커니즘이 전파 성능을 향상시킬 수 있는가?
• RQ3 VoteRank는 PageRank, k-shell, ClusterRank와 같은 기준 기반 방법보다 더 높은 전파 효율성과 최종 영향 범위를 달성하는가?
• RQ4 SPIN 및 차수 할인과 같은 탐욕적 및 히우리스틱 알고리즘과 비교해 VoteRank의 계산 효율성은 어떠한가?
• RQ5 확산자의 분산도(평균 최단 경로 길이로 측정)는 전체 전파 효과에 어떤 영향을 미치는가?

주요 결과

• VoteRank는 SIR 및 SI 모델 하에서 테스트된 네 개의 실세계 네트워크 전반에서 k-shell, PageRank, ClusterRank보다 더 높은 최종 영향 범위를 달성한다.
• SIR 모델 하에서 DBLP 네트워크에서 VoteRank는 PageRank보다 전파 효율성에서 최대 21.90% 높은 성능을 보였다.
• VoteRank가 선택한 확산자들의 평균 최단 경로 길이(Ls)는 다른 방법보다 유의미하게 크며, 더 나은 공간적 분산을 나타낸다.
• 희박한 네트워크에서 r ≪ n 인 경우 VoteRank는 계산 시간을 O(n)으로 줄여 대규모 네트워크에 매우 확장 가능하다.
• 다양한 감염률(λ)과 초기 확산자 수(p)에서도 VoteRank는 안정적인 성능을 유지하며, 강건성을 입증한다.
• VoteRank는 무방향 네트워크에서는 K-shellRank를 능가하고, 유 방향 네트워크에서는 PageRank와 LeaderRank보다 더 우수한 성능을 보였다.