[논문 리뷰] Robust Influence Maximization for Hyperparametric Models

Dimitris Kalimeris, Gal Kaplun외 1명|arXiv (Cornell University)|2019. 03. 09.

Statistical Methods and Inference인용 수 5

한 줄 요약

이 논문은 사용자 특징을 통해 전역 초모수에 따라 변하는 간선 확률을 갖는 초모수적 모델에서 사회망 내의 영향력 최대화 프레임워크를 제안한다. 간선 확률이 사용자 특징과 전역 초모수에 따라 결정되는 모델을 고려하여, 최악의 상황에서도 영향력을 극대화하는 데 목적이 있다. 이는 샘플링과 곱셈 가중치 업데이트를 조합한 HIRO 알고리즘을 도입하여, 초모수 값 전역에서의 최악의 영향력을 최적화함으로써 기존 최고 수준의 방법들보다 뛰어난 성능을 보였다. 실험적 평가에서 검증된 결과, 이는 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

In this paper, we study the problem of robust influence maximization in the independent cascade model under a hyperparametric assumption. In social networks users influence and are influenced by individuals with similar characteristics and as such, they are associated with some features. A recent surging research direction in influence maximization focuses on the case where the edge probabilities on the graph are not arbitrary but are generated as a function of the features of the users and a global hyperparameter. We propose a model where the objective is to maximize the worst-case number of influenced users for any possible value of that hyperparameter. We provide theoretical results showing that proper robust solution in our model is NP-hard and an algorithm that achieves improper robust optimization. We make-use of sampling based techniques and of the renowned multiplicative weight updates algorithm. Additionally, we validate our method empirically and prove that it outperforms the state-of-the-art robust influence maximization techniques.

연구 동기 및 목표

• 사용자 특징과 전역 초모수에 따라 간선 확률이 결정되는 초모수적 확산 모델에서 모델 불확실성 하에서의 영향력 최대화 문제에 대응하는 것.
• 모든 가능한 초모수 값에 대해 최소 영향력을 극대화하는 강인 최적화 프레임워크를 개발하는 것.
• 영향력 최대화 문제에 대해 이중 기준 근사치를 달성하는 계산적으로 효율적인 알고리즘을 설계하는 것.
• 다양한 네트워크 환경과 특징 분포에서 기존 기준 대비 제안된 방법의 우수성을 경험적으로 검증하는 것.

제안 방법

• 연속적인 특징 공간 내에서 모든 가능한 초모수 값에 대해 최소 영향력을 극대화하는 강인한 영향력 최대화 문제를 수립한다.
• 샘플링을 통해 연속적인 초모수 공간을 유한한 이산 집합으로 축소하여 최적화의 가능성을 확보한다.
• 최악의 영향력 추정치에 기반해 반복적으로 시드 세트 선택을 개선하는 다단계 가중치 업데이트 알고리즘을 적용한다.
• 모든 가능한 모델을 명시적으로 나열하지 않고도 최악의 영향력 함수를 근사하기 위해 샘플링 기반 접근법을 사용한다.
• 해결 품질과 계산 효율성의 균형을 맞추기 위해 이중 기준 근사 프레임워크를 적용한다.
• 샘플링과 반복적 개선을 조합한 두 단계 알고리즘인 HIRO(Hyperparameter-robust Influence Maximization with Robust Optimization)를 통합한다.

실험 결과

연구 질문

• RQ1 사용자 특징의 초모수에 의존하는 함수에 의해 간선 확률이 생성될 때, 영향력 최대화 문제를 어떻게 강인하게 공식화할 수 있는가?
• RQ2 초모수적 모델 하에서 강인한 영향력 최대화의 계산 복잡도는 무엇이며, 불확실성에도 불구하고 효율적으로 해결될 수 있는가?
• RQ3 샘플링 기반 접근법과 곱셈 가중치 업데이트를 조합하면 최악의 영향력 최적화에서 뛰어난 경험적 성능를 달성할 수 있는가?
• RQ4 다양한 네트워크 구조와 특징 분포에서 제안된 방법이 기존의 강인한 영향력 최대화 기법과 비교해 최악의 영향력과 분산 측면에서 어떻게 성능을 내는가?
• RQ5 초모수적 모델에서 안정적이고 정확한 강인 해를 달성하기 위해 필요한 샘플 복잡도는 얼마인가?

주요 결과

• HIRO는 모든 테스트된 네트워크 모델과 특징 분포에서 Random Greedy 및 LUGreedy와 같은 최신 기술보다 일관되게 뛰어난 성능을 보였다.
• 알고리즘은 매우 빠른 수렴을 보이며, 단 5~10회의 반복만으로도 강력한 성능를 발휘함으로써 실용적 수렴 속도가 매우 빠르다는 것을 시사한다.
• 실제로 샘플 복잡도가 포화 상태에 도달함을 확인하여, 중간 정도의 수의 샘플된 초모수(예: 50개)로도 강인한 해를 잘 근사할 수 있음을 시사한다.
• 정규, 균일, 이산 초입방 형태의 특징 생성 메커니즘을 포함한 다양한 시드 세트 크기에서 HIRO는 낮은 분산과 높은 강인성을 유지한다.
• 특히 시드 세트 크기가 증가할수록 기준 대비 뛰어난 최악의 영향력을 달성함으로써, 확장성과 안정성을 입증한다.