[논문 리뷰] Maximizing Social Influence in Nearly Optimal Time

Christian Borgs, Michael Brautbar외 2명|arXiv (Cornell University)|2012. 12. 04.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 독립적 확산 모델 하에서 영향력 확산 최적화를 위한 준선형 시간 알고리즘을 제안하며, $O((m+n)kackslashepsilon^{-2}\log n)$ 시간 내에 $(1 - \frac{1}{e} - \epsilon)$-근사값을 달성한다. 이는 로그 인자에 비례하는 요소를 제외한 런타임 최적화이며, 비례적 근사 보장과 함께 조기 종료를 지원한다.

ABSTRACT

Diffusion is a fundamental graph process, underpinning such phenomena as epidemic disease contagion and the spread of innovation by word-of-mouth. We address the algorithmic problem of finding a set of k initial seed nodes in a network so that the expected size of the resulting cascade is maximized, under the standard independent cascade model of network diffusion. Runtime is a primary consideration for this problem due to the massive size of the relevant input networks. We provide a fast algorithm for the influence maximization problem, obtaining the near-optimal approximation factor of (1 - 1/e - epsilon), for any epsilon > 0, in time O((m+n)k log(n) / epsilon^2). Our algorithm is runtime-optimal (up to a logarithmic factor) and substantially improves upon the previously best-known algorithms which run in time Omega(mnk POLY(1/epsilon)). Furthermore, our algorithm can be modified to allow early termination: if it is terminated after O(beta(m+n)k log(n)) steps for some beta < 1 (which can depend on n), then it returns a solution with approximation factor O(beta). Finally, we show that this runtime is optimal (up to logarithmic factors) for any beta and fixed seed size k.

연구 동기 및 목표

• 십억 개의 간선을 포함하는 대규모 네트워크에서 확장 가능한 영향력 확산 최적화 알고리즘의 필요성을 해결한다.
• 독립적 확산 모델 하에서 영향력 확산에 대해 거의 최적의 근사값을 달성하는 런타임 효율적인 알고리즘을 개발한다.
• 조기 종료 조건 하에서도 런타임과 근사 품질에 대한 이론적 보장을 제공한다.
• 알고리즘의 런타임이 로그 인자에 비례하는 요소를 제외하고 최적임을 증명하는 하한선을 수립한다.
• 영향력 확산 분야에서 히우리스틱 기반의 빠른 방법과 증명 가능하게 정확한 근사 알고리즘 간의 격차를 메운다.

제안 방법

• 각 노드당 $O(\epsilon^{-2}\log n)$개의 샘플을 사용하여, 고확률로 영향력 확산을 추정하기 위해 랜덤화된 몬테카를로 접근법을 활용한다.
• 빠른 영향력 추정을 위해 서브샘플링과 병렬 시뮬레이션을 사용하는 그레디 선택 프레임워크를 적용한다.
• 확률적 근사 보장을 보장하기 위해 농도 불등식(예: 체르노프 불등식)을 적용한다.
• 조기 종료 후 $O(\beta(m+n)k\log n)$ 단계 이내에 비례적 근사 품질을 유지하는 쿼리 효율적인 알고리즘을 설계한다.
• 런타임 최적성을 증명하기 위해 요아의 최소최대 원리(의미: 요아의 미니맥스 원리)를 활용한 하한선 그래프 가족을 구성한다.
• 작은 무게를 가진 간선을 포함하는 강건한 그래프 구조를 제안하여, 다양한 네트워크 가정 조건 하에서도 하한선이 유지되도록 보장한다.

실험 결과

연구 질문

• RQ1 준선형 시간 내에서 영향력 확산 최적화에 대해 $(1 - \frac{1}{e} - \epsilon)$-근사값을 달성할 수 있는가?
• RQ2 인접 리스트 모델에서 일정 요소 근사값을 달성하기 위해 필요한 최소 런타임은 얼마인가?
• RQ3 알고리즘이 조기 종료를 지원하면서도 예측 가능한 근사 요소를 유지할 수 있는가?
• RQ4 주어진 근사 비율을 달성하기 위해 필요한 최소 쿼리 수에 대한 이론적 하한선이 존재하는가?
• RQ5 알고리즘의 성능은 네트워크 크기와 시드 예산 $k$에 따라 어떻게 스케일링되는가?

주요 결과

• 제안된 알고리즘은 $O((m+n)k\epsilon^{-2}\log n)$ 시간 내에 $(1 - \frac{1}{e} - \epsilon)$-근사값을 달성하며, 거의 최적이다.
• 알고리즘은 조기 종료를 지원한다: $O(\beta(m+n)k\log n)$ 단계 이후에 비례적 근사 요소 $O(\beta)$를 가진 해를 반환한다.
• 임의의 알고리즘이 일정 근사값을 달성하기 위해 $\Omega(m+n)$의 하한선이 증명되었으며, 이는 알고리즘이 로그 인자에 비례하는 요소를 제외하고 최적임을 보여준다.
• 균일한 노드 샘플링 및 인접 리스트 표현을 가정하더라도 런타임이 최적임을 입증한다.
• 하한선 구성은 희박한 네트워크와 조밀한 네트워크 모두에 대해 유효하며, $m = nd$일 경우 일반 하한선 $\Omega(nd / (T \min\{k,T\}))$가 성립한다.
• 이론적 분석을 통해 고확률로 $\beta$-근사값을 달성하는 데에는 $\Omega(\beta(m+n)/\min\{k,1/\beta\})$개 이하의 쿼리가 불가능하다는 것이 확인된다.