[논문 리뷰] Large-Scale Multi-objective Influence Maximisation with Network Downscaling

Giovanni Iacca, Doina Bucur외 1명|arXiv (Cornell University)|2022. 01. 01.

Complex Network Analysis Techniques참고 문헌 40인용 수 4

한 줄 요약

이 논문은 다목적 유전적 알고리즘(MOEA)을 사용하여 대규모 다목적 影響 확산 최적화를 가속화하기 위해 네트워크 다운스케일링 접근법을 제안한다. 구조적 특성을 유지하면서 복잡한 네트워크를 다운샘플링하고, PageRank와 같은 중심성 지표를 통해 솔루션을 업스케일링함으로써, CELF 대비 최대 82%의 런타임 감소를 달성하면서도 거의 최적에 가까운 영향 확산을 실현한다. 이는 약 5만 개의 노드를 가진 네트워크에서도 성립한다.

ABSTRACT

Finding the most influential nodes in a network is a computationally hard problem with several possible applications in various kinds of network-based problems. While several methods have been proposed for tackling the influence maximisation (IM) problem, their runtime typically scales poorly when the network size increases. Here, we propose an original method, based on network downscaling, that allows a multi-objective evolutionary algorithm (MOEA) to solve the IM problem on a reduced scale network, while preserving the relevant properties of the original network. The downscaled solution is then upscaled to the original network, using a mechanism based on centrality metrics such as PageRank. Our results on eight large networks (including two with $\sim$50k nodes) demonstrate the effectiveness of the proposed method with a more than 10-fold runtime gain compared to the time needed on the original network, and an up to $82\%$ time reduction compared to CELF.

연구 동기 및 목표

• 메타휴리스틱을 사용할 때 대규모 다목적 영향 확산(IM) 문제를 해결하는 데 드는 높은 계산 비용을 해결한다.
• 10^5개 이상의 노드를 가진 네트워크에서는 비가능해지는 기존 MOEAs의 확장성 한계를 극복한다.
• 알고리즘 자체를 향상시키는 대신, 최적화 이전에 문제 크기를 줄이는 새로운 입력 기반 접근법을 개발한다.
• 중심성 기반 매핑을 통해 다운스케일된 네트워크에서 추출한 시드 세트를 정확하게 원본 네트워크로 업스케일링하여 솔루션 품질을 유지한다.
• 실세계 네트워크(다양한 크기와 구조를 가짐)에서 제안된 방법의 효과성을 입증한다. 이는 약 5만 개의 노드를 가진 네트워크를 포함한다.

제안 방법

• 커뮤니티 기반 네트워크 다운스케일링을 적용하여 스케일링 요소(s ∈ {2, 4, 8})를 설정 가능하게 하여, 커뮤니티 수와 도수 분포와 같은 핵심 구조적 특성을 유지하면서 네트워크 크기를 줄인다.
• 다운스케일된 네트워크에서 영향 확산(최대화)과 시드 세트 크기(최소화)를 동시에 최적화하기 위해 NSGA-II를 MOEA로 사용한다.
• 선택된 시드 세트를 원본 네트워크로 되돌리기 위해 노드 중심성 지표—특히 PageRank와 가중 중심성(WC)—를 사용하여 영향력 있는 노드를 식별한다.
• 원본 네트워크에서 직접 MOEA를 실행했을 때와 비교하여, 업스케일된 솔루션의 히퍼볼륨(HV)과 영향 확산을 평가함으로써 그 품질을 평가한다.
• 실제 런타임의 대체 지표로 활성화 시도 수를 사용하여, 다양한 런타임과 스케일링 요소에 걸쳐 계산 비용을 측정한다.
• 약 300세대 이후 히퍼볼륨의 정체를 감지하는 수렴 정지 기준을 적용하여, 솔루션 품질을 훼손하지 않으면서도 런타임을 추가로 줄인다.

실험 결과

연구 질문

• RQ1 네트워크 다운스케일링이 대규모 네트워크에서 정확한 영향 확산 최적화를 위해 필요한 구조적 특성을 유지할 수 있는가?
• RQ2 제안된 다운스케일링 및 업스케일링 파이프라인은 원본 네트워크에서 직접 MOEA를 실행한 경우와 비교해 어떤 정도의 솔루션 품질을 유지하는가?
• RQ3 스케일링 요소를 증가시킬수록 솔루션 품질과 계산 효율성 사이의 트레이드오프는 어떻게 변화하는가?
• RQ4 PageRank와 WC 중 어느 중심성 지표가 다운스케일된 네트워크에서 원본 네트워크로의 시드 세트 업스케일링에 더 정확하고 효율적인가?
• RQ5 클래식한 휴리스틱 알고리즘인 CELF보다 이 방법이 대규모 네트워크에서 영향 확산과 런타임 측면에서 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• 제안된 방법은 원본 네트워크에서 직접 MOEA를 실행하는 것보다 런타임을 10배 이상 줄이며, 대규모 네트워크에서 CELF 대비 최대 82% 적은 활성화 시도 수를 기록한다.
• 다운스케일된 네트워크에서 업스케일된 솔루션은 원본 네트워크에서 MOEA를 실행했을 때의 히퍼볼륨(HV)의 93~97% 내외를 달성하여 거의 최적의 솔루션 품질을 유지함을 시사한다.
• PageRank는 항상 WC보다 업스케일링 정확도에서 뛰어나며, s = 2일 때 원본 네트워크 솔루션과 상관관계 범위가 [0.93, 1.0]에 이르며, 모든 스케일링 요소에서 높은 일관성을 유지한다.
• 이 방법은 다양한 네트워크에서 강력한 성능을 유지한다. 특히 약 5만 개의 노드를 가진 두 개의 네트워크(soc-gemsec 및 soc-brightkite)에서도, 결정론적 알고리즘인 CELF보다 영향 확산 범위가 더 크면서도 훨씬 적은 계산 자원을 소비한다.
• 약 300세대 이후 히퍼볼륨의 정체가 관찰되며, 이는 조기 정지 전략을 적용하면 솔루션 품질을 훼손하지 않으면서도 더 큰 런타임 절감 효과를 얻을 수 있음을 시사한다.
• 솔루션 품질과 런타임 사이의 트레이드오프는 정량적으로 명확하다: 높은 스케일링 요소(예: s = 32)를 사용할수록 런타임은 더 줄어들지만 솔루션 품질에 명백한 감소가 발생함을 확인하여 명확한 확장성-품질 트레이드오프가 존재함을 입증한다.