[논문 리뷰] Network Infusion to Infer Information Sources in Networks

Soheil Feizi, Muriel Médard외 3명|arXiv (Cornell University)|2016. 06. 23.

Complex Network Analysis Techniques참고 문헌 29인용 수 15

한 줄 요약

이 논문은 표준 모델을 근사하는 확산 커널을 구성함으로써 네트워크 내에서 정보 확산의 원천을 추론하는 데 있어 새로운 방법인 네트워크 인퓨전(Network Infusion, NI)을 소개한다. 이 방법은 가능도 최대화 또는 오차 최소화를 통한 해석 가능성을 보장하며, 평균장 최적성(Mean-field optimality)을 달성하고, 합성 네트워크와 실제 네트워크 모두에서 기존 방법을 능가한다. 특히 Digg 소셜 네트워크에서 뉴스 원천 추론에 효과를 보였다.

ABSTRACT

Several significant models have been developed that enable the study of diffusion of signals across biological, social and engineered networks. Within these established frameworks, the inverse problem of identifying the source of the propagated signal is challenging, owing to the numerous alternative possibilities for signal progression through the network. In real world networks, the challenge of determining sources is compounded as the true propagation dynamics are typically unknown, and when they have been directly measured, they rarely conform to the assumptions of any of the well-studied models. In this paper we introduce a method called Network Infusion (NI) that has been designed to circumvent these issues, making source inference practical for large, complex real world networks. The key idea is that to infer the source node in the network, full characterization of diffusion dynamics, in many cases, may not be necessary. This objective is achieved by creating a diffusion kernel that well-approximates standard diffusion models, but lends itself to inversion, by design, via likelihood maximization or error minimization. We apply NI for both single-source and multi-source diffusion, for both single-snapshot and multi-snapshot observations, and for both homogeneous and heterogeneous diffusion setups. We prove the mean-field optimality of NI for different scenarios, and demonstrate its effectiveness over several synthetic networks. Moreover, we apply NI to a real-data application, identifying news sources in the Digg social network, and demonstrate the effectiveness of NI compared to existing methods. Finally, we propose an integrative source inference framework that combines NI with a distance centrality-based method, which leads to a robust performance in cases where the underlying dynamics are unknown.

연구 동기 및 목표

• 진정한 확산 역학이 자주 알려져 있지 않거나 표준 모델과 일치하지 않는 실제 네트워크에서 원천 추론의 과제를 해결한다.
• 확산 역학에 대한 정밀한 지식이 필요하거나 증명 가능 보장이 없는 히우리스틱 중심성 측정 기반 기존 방법의 한계를 극복한다.
• 균일하고 비균일한 확산 조건 하에서 단일 및 다중 원천 추론에 대해 확장 가능하고 강력한 방법을 개발한다.
• 전체 확산 역학 특성화를 피하고, 역행 가능한 확산 커널 근사를 중점으로 하여 대규모 복잡한 네트워크에서 실용적인 원천 추론을 가능하게 한다.
• NI를 거리 중심성과 통합하여, 기저 역학이 불확실할 경우에도 강력한 프레임워크를 구축한다.

제안 방법

• SI와 같은 연속 시간 확산 모델을 밀접하게 근사하는 경로 기반 네트워크 확산 커널을 제안하여 해석 가능성을 확보한다.
• 확산 커널 기반 가능도 최대화 또는 오차 최소화 문제로 원천 추론을 공식화함으로써 효율적 최적화를 가능하게 한다.
• 확산 역학의 전체 특성화 없이도 해석 가능한 커널을 구성함으로써, 역행 가능성 보장을 보장한다.
• 단일 스크래치 및 다중 스크래치 관측에 적용하여 균일 및 비균일 확산 설정 모두를 지원한다.
• NI와 거리 중심성을 통합하여 모델 불확실성 하에서도 강력한 성능을 확보하는 통합 프레임워크를 제안한다.
• 평균장 근사와 확률적 경계를 활용하여 다양한 네트워크 구조 및 원천 구성 조건 하에서 방법의 최적성과 일致성에 대한 이론적 증명을 수행한다.

실험 결과

연구 질문

• RQ1 표준 모델을 근사하면서도 전체 동역학 지식 없이도 원천 추론에 대해 해석 가능한 확산 커널을 구성할 수 있는가?
• RQ2 확산 역학이 알려진 합성 네트워크에서 NI의 정확도와 강력성은 기존 방법과 비교해 어떻게 성능을 내는가?
• RQ3 소셜 미디어 뉴스 확산와 같이 확산 역학이 알려져 있거나 표준 모델과 다를 경우, NI의 성능은 어떠한가?
• RQ4 NI와 거리 중심성을 통합하면 진정한 확산 모델이 불확실할 경우 원천 추론의 강력성이 향상되는가?
• RQ5 다양한 네트워크 및 확산 조건 하에서 NI의 성능에 대해 평균장 최적성 측면에서 이론적 보장을 제공할 수 있는가?

주요 결과

• NI는 다양한 네트워크 및 확산 조건 하에서 단일 및 다중 원천 확산에 대해 평균장 최적성을 달성한다.
• NI는 Digg 소셜 네트워크 내에서 뉴스 원천을 식별하는 데 있어 기존 방법을 뛰어넘는 성능을 보이며, 실제 데이터에서의 실용적 효과를 입증한다.
• 특히 거리 중심성과 결합했을 경우, 기저 확산 역학이 알려져 있지 않거나 표준 모델과 다를 경우에도 높은 정확도를 유지한다.
• 이론적 분석을 통해 비일관된 원천 가정 하에서 진짜 원천 노드의 기대 손실이 특정 이웃 내의 다른 노드보다 낮다는 것을 증명하였다.
• NI의 계산 복잡도는 O(|V^t|(k|E| + kn log n + mn))로 제한되어 있으며, 경로 길이 k와 반복 횟수 m이 중간 수준일 경우 대규모 네트워크에 대해 확장 가능하다.
• 실험 결과, Digg 뉴스 스토리의 약 65%에서 진짜 원천이 직접 관측되지 않았지만, NI는 간접 전파 경로를 모델링함으로써 성공적으로 추론하였다.