[논문 리뷰] On the Convexity of Latent Social Network Inference

Seth A. Myers, Jure Leskovec|arXiv (Cornell University)|2010. 10. 26.

Complex Network Analysis Techniques참고 문헌 27인용 수 174

한 줄 요약

이 논문은 감염 시간만 관측 가능한 전파 데이터에서 잠재적 사회망을 추론하기 위한 볼록 최적화 프레임워크를 제안한다. 전파 과정을 확률적 프로세스로 모델링하고 l1-정규화된 최대우도 추정을 사용한다. 이 방법은 거의 완벽한 네트워크 복원을 달성하며 수천 개 노드에까지 효율적으로 스케일링되며, 이전 방법들보다 정확도와 최적성 보장 측면에서 뛰어나다.

ABSTRACT

In many real-world scenarios, it is nearly impossible to collect explicit social network data. In such cases, whole networks must be inferred from underlying observations. Here, we formulate the problem of inferring latent social networks based on network diffusion or disease propagation data. We consider contagions propagating over the edges of an unobserved social network, where we only observe the times when nodes became infected, but not who infected them. Given such node infection times, we then identify the optimal network that best explains the observed data. We present a maximum likelihood approach based on convex programming with a l1-like penalty term that encourages sparsity. Experiments on real and synthetic data reveal that our method near-perfectly recovers the underlying network structure as well as the parameters of the contagion propagation model. Moreover, our approach scales well as it can infer optimal networks of thousands of nodes in a matter of minutes.

연구 동기 및 목표

• 관측되지 않은 사회망을 추론하는 문제에 도전하며, 전파 경로를 관측하지 못한 채 노드의 감염 시간만 제공되는 경우를 대비한다.
• 동일한 전파 확률을 가진 간선을 가정하지 않는 일반적이고 최적적이며 확장 가능한 잠재 네트워크 추론 방법을 개발한다.
• 이전의 히우리스틱 또는 임계값 기반 방법의 한계를 극복하기 위해 문제를 최적성 보장을 갖춘 볼록 최적화 과제로 재구성한다.
• 실세계 전파 캐스케이드에서 실제 네트워크 구조와 엣지 전파 파rameter를 정확하게 복원할 수 있도록 한다.

제안 방법

• 잠재 네트워크 상에서 전파 확산을 생성적 확률 모델로 설정하며, 감염 시간은 관측 가능하지만 전파 경로는 숨겨져 있다.
• 잠재 네트워크 구조와 엣지 전파 파라미터에 대한 최대우도 추정 문제를 유도한다.
• 비볼록 최대우도 최적화 문제를 수학적 재구성 단계를 통해 볼록 최적화 과제로 변환한다.
• 유도된 네트워크의 희박성(스parser)을 유도하기 위해 l1 유사 펜alties 항을 도입한다. 이는 현실적이며 낮은 밀도의 네트워크를 촉진한다.
• 표준 볼록 최적화 기법을 사용해 유도된 볼록 프로그램을 효율적으로 해결함으로써 대규모 네트워크에 대한 확장성을 확보한다.
• 데이터 유형에 따라 전파 시간에 대한 힘의 법칙 또는 Weibull 분포 모델을 사용하여 전파 과정을 매개변수화한다.

실험 결과

연구 질문

• RQ1 전파 경로를 관측하지 못한 채 노드가 언제 감염되었는지에만 기반해 기저 사회망 구조를 추론할 수 있는가?
• RQ2 최적성 보장을 갖는 방식으로 네트워크 구조와 노드 간 전파 확률을 동시에 추정하는 것이 가능한가?
• RQ3 기존의 히우리스틱 또는 임계값 기반 네트워크 추론 방법과 비교해 제안된 볼록 최적화 접근법은 정확도와 확장성 측면에서 어떻게 다른가?
• RQ4 실세계 전파 데이터에서 전파 역학이 알려져 있지 않은 상황에서, 이 방법이 진짜 네트워크 구조와 엣지 가중치를 어느 정도 정확하게 복원할 수 있는가?

주요 결과

• 이 방법은 합성 및 실세계 이메일 및 협업 네트워크에서 모두 약 0.95의 브레이크이븐 포인트를 달성하여 네트워크 복원에서 거의 완벽한 정밀도-재현율 성능을 보였다.
• 합성 및 실세계 데이터셋에서 엣지 전파 확률 추정 오차는 0.03 이하로 낮아 파라미터 복원의 높은 정확도를 입증했다.
• 593개 노드로 구성된 이메일 네트워크에서 관측된 캐스케이드 수가 적은 경우에도 기저 네트워크 구조를 높은 정밀도로 복원했다.
• 275명의 사용자와 1,522개 엣지를 가진 실세계 추천 네트워크에서 브레이크이븐 포인트 0.74를 기록했으며, NetInf(0.55)보다 정밀도-재현율 측면에서 뚜렷이 뛰어났다.
• 알고리즘은 효율적으로 확장되며, 수천 개 노드의 최적 네트워크를 몇 분 내에 추론했고, 275개 노드의 추천 네트워크를 20초 이내에 처리했다.
• 볼록 공식화 덕분에 전역 최적성을 보장하나, 이전의 근사 기반 접근법(예: NetInf)과 달리 전역 최적성 보장이 없다.