[논문 리뷰] Influence Minimization Under Budget and Matroid Constraints: Extended Version

Sourav Medya, Arlei Silva외 1명|arXiv (Cornell University)|2019. 01. 08.

Complex Network Analysis Techniques참고 문헌 42인용 수 8

한 줄 요약

이 논문은 예산 및 매트로이드 제약 조건 하에서 엣지 제거를 전략적으로 수행함으로써 소셜 네트워크에서 影響 확산을 최소화하기 위한 데이터 기반 접근법을 제안한다. 연속적 리 릴랙세이션과 라운딩을 활용한 서브모듈러 최적화를 통해 실현 가능하며, 기존의 기준보다 최대 40%까지 영향을 감소시키는 새로운 근사 알고리즘을 도입한다. 이 알고리즘은 근사 품질과 비근사 가능성 경계에 대한 이론적 보장을 제공한다.

ABSTRACT

Recently, online social networks have become major battlegrounds for political campaigns, viral marketing, and the dissemination of news. As a consequence, ''bad actors'' are increasingly exploiting these platforms, becoming a key challenge for their administrators, businesses and the society in general. The spread of fake news is a classical example of the abuse of social networks by these actors. While some have advocated for stricter policies to control the spread of misinformation in social networks, this often happens in detriment of their democratic and organic structure. In this paper we study how to limit the influence of a target set of users in a network via the removal of a few edges. The idea is to control the diffusion processes while minimizing the amount of disturbance in the network structure. We formulate the influence limitation problem in a data-driven fashion, by taking into account past propagation traces. Moreover, we consider two types of constraints over the set of edge removals, a budget constraint and also a, more general, set of matroid constraints. These problems lead to interesting challenges in terms of algorithm design. For instance, we are able to show that influence limitation is APX-hard and propose deterministic and probabilistic approximation algorithms for the budgeted and matroid version of the problem, respectively. Our experiments show that the proposed solutions outperform the baselines by up to 40%.

연구 동기 및 목표

• 소셜 네트워크에서 오락성 소문과 악성 사용자 영향의 확산을 억제하면서 네트워크 구조에 영향을 주지 않도록 문제를 해결하기 위해.
• 특정 확산 모델에 의존하지 않고 역사적 전파 추적 데이터를 기반으로 영향 최소화 문제를 데이터 기반 문제로 정식화하기 위해.
• 예산 제약뿐만 아니라 매트로이드 제약 조건 하에서도 영향 제한 문제를 연구함으로써 더 유연하고 공정한 네트워크 수정을 가능하게 하기 위해.
• 예산 제약 및 매트로이드 제약 조건이 있는 두 경우에 대해 효율적인 근사 알고리즘을 설계하고 이론적 성능 보장을 제공하기 위해.
• 실제 데이터셋을 대상으로 제안된 방법을 실험적으로 평가하여 우수한 성능과 확장성을 입증하기 위해.

제안 방법

• 역사적 전파 추적 데이터를 기반으로 영향 최소화 문제를 서브모듈러 최적화 문제로 공식화하며, 영향을 단조증가 서브모듈러 함수로 모델링한다.
• 효율적인 최적화를 가능하게 하기 위해 영향 함수의 연속적 리 릴랙세이션을 도입한 후, 무작위 라운딩과 스왑 라운딩을 통해 이산적 해를 복원한다.
• 예산 제약 조건이 있는 경우, 서브모듈러성의 특성을 활용하여 (1-1/e)-근사 보장을 제공하는 근사 알고리즘을 설계한다.
• 매트로이드 제약 조건을 적용하여 구조적 공정성을 확보하고 하위 네트워크에 대한 비례하지 않은 영향을 방지하며, 단순한 예산 제한을 초월하는 일반화를 가능하게 한다.
• L-리덕션을 활용하여 APX-난이도를 증명하고, 두 문제 유형 모두에 대해 근사 비율의 하한으로 (1-1/e)를 설정한다.
• 연속적 그레디와 라운딩 기법(RR 및 SR)을 활용하여 고품질의 해를 효율적으로 계산하며, 실행 시간은 그래프 크기와 후보 엣지 집합에 의해 주로 결정된다.

실험 결과

연구 질문

• RQ1 특정 확산 모델을 가정하지 않고 역사적 전파 추적 데이터를 활용하여 영향 최소화 문제를 효과적으로 공식화할 수 있는가?
• RQ2 예산 제약 조건과 더 일반적인 매트로이드 제약 조건 하에서 영향 최소화 알고리즘의 성능는 어떻게 다를 수 있는가?
• RQ3 이러한 제약 조건 하에서 영향 최소화 문제에 대해 달성 가능한 근사 보장은 무엇이며, 이론적 한계는 무엇인가?
• RQ4 제안된 알고리즘은 영향 감소 및 계산 효율성 측면에서 기존 기준 대비 어떻게 비교되는가?
• RQ5 제안된 방법은 대규모 실세계 네트워크에 대해 확장성과 함께 고품질의 해를 유지할 수 있는가?

주요 결과

• 무작위 라운딩을 적용한 연속적 그레디 알고리즘(CG+RR)은 FXS 데이터셋에서 기존 기준 대비 최대 8%까지 영향 감소를 달성한다.
• 더 큰 그래프에서는 CG+RR 접근법이 GRR 대비 최대 9% 더 뛰어난 영향 감소 성능를 보이며, 20만 노드 네트워크에서 약 1.5시간의 실행 시간을 기록한다.
• 예산 제약 조건이 있는 경우 APX-난이도이며, (1-1/e)보다 더 나은 근사 비율로는 근사할 수 없음을 입증하여 이론적 한계를 설정한다.
• 매트로이드 제약 조건이 있는 경우에도 연속적 리 릴랙세이션과 라운딩을 통해 (1-1/e)-근사 보장을 달성하며, 강력한 이론적 배경을 확보한다.
• 무작위 라운딩(RR)은 더 복잡한 스왑 라운딩(SR)과 유사한 성능를 보이며, 실행 속도가 훨씬 빨라 대규모 적용에 실용적이다.
• 실험 결과 제안된 알고리즘이 기존 기준 대비 최대 40% 더 많은 영향을 감소시키며, 강력한 실용적 효과를 입증한다.