[논문 리뷰] Modeling Information Propagation with Survival Theory

Manuel Gomez-Rodriguez, Jure Leskovec외 1명|arXiv (Cornell University)|2013. 05. 15.

Complex Network Analysis Techniques참고 문헌 10인용 수 27

한 줄 요약

이 논문은 생존 이론 기반의 프레임워크를 제안하여 관측되지 않은 네트워크에서의 정보 확산을 가감형 및 곱형 위험 모델을 사용해 모델링한다. 감염 시간을 공변량으로 간주함으로써 볼록 최적화를 통한 효율적인 네트워크 추론이 가능하며, 곱형 모델은 유일하게 위험 증가 및 감소 영향을 모두 허용한다. 실제 멤 캐스케이드에서 강력한 예측 성능을 보여준다.

ABSTRACT

Networks provide a skeleton for the spread of contagions, like, information, ideas, behaviors and diseases. Many times networks over which contagions diffuse are unobserved and need to be inferred. Here we apply survival theory to develop general additive and multiplicative risk models under which the network inference problems can be solved efficiently by exploiting their convexity. Our additive risk model generalizes several existing network inference models. We show all these models are particular cases of our more general model. Our multiplicative model allows for modeling scenarios in which a node can either increase or decrease the risk of activation of another node, in contrast with previous approaches, which consider only positive risk increments. We evaluate the performance of our network inference algorithms on large synthetic and real cascade datasets, and show that our models are able to predict the length and duration of cascades in real data.

연구 동기 및 목표

• 관측되지 않은 네트워크에서의 정보 확산을 생존 분석을 사용하여 일반적인 이론적 프레임워크를 개발하기 위해.
• 이전 모델이 긍정적 영향만을 가정하는 한계를 해결하기 위해, 위험 증가 및 감소 효과를 모두 허용하는 곱형 위험 모델을 도입하기 위해.
• 가감형 및 곱형 위험 모델의 구조를 활용하여 볼록 최적화를 통해 효율적인 네트워크 추론을 가능하게 하기 위해.
• 대규모 실제 데이터에서 모델을 검증하여 캐스케이드 크기와 지속 시간을 예측하기 위해.
• 다양한 기존 네트워크 추론 모델을 하나의 생존 이론적 프레임워크 아래 통합적으로 일반화하기 위해.

제안 방법

• 각 노드의 위험률이 이전에 감염된 노드들의 감염 시간에 의존하는 비감소형 카운팅 과정으로 감염 과정을 모델링한다.
• 기타 노드들의 감염 사건을 시간에 따라 변형한 것들의 선형 합으로 이루어진 가감형 위험 모델을 도입한다.
• 기본 위험률과 영향 함수의 곱으로 이루어진 곱형 위험 모델을 개발하여, 긍정적 및 부정적 영향을 모두 허용한다.
• 볼록 최적화를 사용한 최대우도 추정을 통해 가감형 및 곱형 모델의 모수를 효율적으로 학습한다.
• 영향의 감쇠 또는 증가를 모델링하기 위해 시간 형태 함수(예: 역선형)를 적용한다.
• 학습된 모델로부터 합성 캐스케이드를 생성하여 실제 데이터에서의 예측 성능을 평가한다.

실험 결과

연구 질문

• RQ1 통합적인 생존 이론적 프레임워크가 기존의 정보 확산 네트워크 추론 모델을 일반화할 수 있는가?
• RQ2 곱형 위험 모델이 이전의 가감형 모델과 달리 정보 확산에서 긍정적 및 부정적 영향을 모두 포착할 수 있는가?
• RQ3 제안된 모델은 실제 정보 캐스케이드의 크기와 지속 시간을 얼마나 잘 예측할 수 있는가?
• RQ4 예측 정확도 측면에서 기존 접근 방식에 비해 모델이 얼마나 뛰어나거나 일반화되는가?
• RQ5 복잡한 시간적 의존성에도 불구하고 볼록 최적화를 통해 모델을 효율적으로 훈련시킬 수 있는가?

주요 결과

• 곱형 위험 모델은 이전 감염이 감염 위험을 증가시키거나 감소시킬 수 있는 상황을 성공적으로 포착하여, 트렌드셋터가 주류 콘텐츠를 피하는 복잡한 사회적 역동성을 모델링할 수 있다.
• 역선형 시간 형태 함수를 사용한 가감형 모델은 캐스케이드 크기를 약간 과소평가하지만, 10명 이내의 감염자까지는 경험적 분포와 매우 유사하게 일치한다.
• 모델이 생성한 합성 캐스케이드 집합의 크기 및 지속 시간 분포는 특히 작은 캐스케이드에서 실제 테스트 데이터와 유사하게 나타난다.
• 특히 경험적 지속 시간 분포를 잘 일치시키기 때문에, 곱형 모델이 가감형 모델보다 캐스케이드 지속 시간 예측에서 더 정확한 성능을 보인다.
• 제안된 프레임워크는 Gomez-Rodriguez 등(2011, 2013) 및 Du 등(2012)의 기존 네트워크 추론 모델을 특수 케이스로 통합적으로 일반화한다.
• 볼록 최적화를 통해 효율적인 모수 피팅이 가능하여, 1,000만 개가 넘는 멤과 330만 개가 넘는 웹사이트를 포함한 대규모 합성 및 실제 데이터셋에 대해 확장 가능한 방법이 된다.