[논문 리뷰] Scalable Fair Influence Maximization

Xiaobin Rui, Zhixiao Wang외 3명|arXiv (Cornell University)|2023. 06. 12.

LGBTQ Health, Identity, and Policy인용 수 5

한 줄 요약

이 논문은 복잡한 네트워크에서 복수의 커뮤니티 간의 영향력 확산을 공정하게 최적화하기 위한 확장 가능한 알고리즘인 FIMM을 제안한다. 이 알고리즘은 커뮤니티 영향력 평균의 분수거듭제곱을 비편향 추정하는 기법을 사용하고, 역영향 샘플링(RIS) 기법을 적응시켜 (1−1/e−ε)-근사값을 달성한다. 이로 인해 대규모 네트워크에서 높은 정확도로 영향력 확산을 효율적으로 수행하면서도 커뮤니티 간의 공정성을 균형 있게 유지할 수 있다.

ABSTRACT

Given a graph $G$, a community structure $\mathcal{C}$, and a budget $k$, the fair influence maximization problem aims to select a seed set $S$ ($|S|\leq k$) that maximizes the influence spread while narrowing the influence gap between different communities. While various fairness notions exist, the welfare fairness notion, which balances fairness level and influence spread, has shown promising effectiveness. However, the lack of efficient algorithms for optimizing the welfare fairness objective function restricts its application to small-scale networks with only a few hundred nodes. In this paper, we adopt the objective function of welfare fairness to maximize the exponentially weighted summation over the influenced fraction of all communities. We first introduce an unbiased estimator for the fractional power of the arithmetic mean. Then, by adapting the reverse influence sampling (RIS) approach, we convert the optimization problem to a weighted maximum coverage problem. We also analyze the number of reverse reachable sets needed to approximate the fair influence at a high probability. Further, we present an efficient algorithm that guarantees $1-1/e - \varepsilon$ approximation.

연구 동기 및 목표

• 현재 소수의 노드(약 수백 개)를 가진 작은 그래프에만 적용 가능한 대규모 네트워크에서 복지 공정성 목표를 최적화하기 위한 효율적인 알고리즘이 부족한 문제를 해결한다.
• 복지 공정성 목표의 핵심 요소인 커뮤니티 영향력 비율의 산술 평균의 분수거듭제곱을 비편향으로 추정하는 데 도전한다.
• 이 비편향 추정 기법을 역영향 샘플링(RIS) 프레임워크에 통합하여 공정한 영향력 확산을 위한 확장 가능한 고확률 근사값을 도출한다.
• 실제 네트워크에서 계산 효율성을 유지하면서도 최적의 공정한 영향력 확산에 대해 (1−1/e−ε)-근사값을 보장한다.

제안 방법

• 테일러 전개 기법을 사용하여 커뮤니티 영향력 비율의 산술 평균의 분수거듭제곱에 대한 비편향 추정기법을 개발한다.
• 새로운 비편향 추정기법과 호환되도록 역영향 샘플링(RIS) 프레임워크를 적응시켜 역가능도달(RR) 집합의 효율적 샘플링을 가능하게 한다.
• 복지 공정성 하에서 공정한 영향력 목표를 근사하기 위해 RR 집합 위의 가중 최대 커버리지 문제를 구성한다.
• 이론적 분석을 통해 비편향 분수거듭제곱 추정기의 농도를 보장하며, 표준 RIS 분석을 비선형이고 하위모듈라인 목표 함수로 확장한다.
• RR 집합 커버리지 기반으로 반복적으로 노드를 선택하는 FIMM 알고리즘을 구현하여 고확률로 (1−1/e−ε) 근사값을 확보한다.
• 다양한 실세계 네트워크에서 독립 캐스케이드(IC) 모델 하에서 영향력 확산과 공정한 영향력의 성능을 평가하기 위해 10,000회 반복의 몬테카를로 시뮬레이션을 수행한다.

실험 결과

연구 질문

• RQ1 복지 공정성 목표의 핵심 요소인 커뮤니티 간 평균 영향력의 분수거듭제곱에 대해 비편향 추정기법을 구축할 수 있는가?
• RQ2 이 추정기법을 어떻게 RIS 프레임워크에 효과적으로 통합하여 공정성 제약 하에서 확장 가능한 영향력 최적화를 달성할 수 있는가?
• RQ3 복지 공정성 목표 하에서 공정한 영향력 확산을 고확률로 근사하기 위해 필요한 역가능도달 집합의 수는 얼마인가?
• RQ4 제안된 FIMM 알고리즘은 다양한 네트워크 구조와 파rameter 설정에서 공정성과 영향력 확산을 어떻게 균형 있게 유지하는가?
• RQ5 수천 개의 커뮤니티를 포함하는 대규모 실세계 네트워크에서 알고리즘이 확장성과 근사 보장 조건을 얼마나 잘 유지하는가?

주요 결과

• FIMM는 최적의 공정한 영향력 확산에 대해 (1−1/e−ε)-근사값을 달성하여 복지 공정성에 대해 강력한 이론적 보장을 제공한다.
• 알고리즘은 대규모 네트워크에 대해 효과적으로 확장 가능하며, 정제 후 최대 717,080개의 노드를 포함하는 네트워크를 포함해 다섯 개인 실세계 네트워크(Email, Flixster, Amazon, Youtube, DBLP)에서 잘 작동한다.
• 공정성의 가격(PoF)과 공정성의 영향력(EoF)은 영향력 확산 비율(p)과 불평등 회피 파라미터(α)가 증가할수록 감소하며, 영향력이 더 쉽게 퍼질수록 공정성 비용이 감소함을 시사한다.
• α ≥ 0.7일 경우 공정성의 이득은 미미한데, 이는 u^α와 u 간의 격차가 미미해지기 때문이다. 이는 고수치 α 값이 영향력 확산을 공정성보다 우선시함을 확인한다.
• 작은 시드 예산(k)에서는 FIMM가 특히 공정한 결과를 낼 수 있으며, 특히 k ≤ 20일 경우 두드러진 공정성 향상이 관찰된다. 다만, 시드 선택의 반복적 보완 패턴으로 인해 예외적인 경우도 존재한다.
• 실험 결과는 FIMM가 높은 정확도와 확장성을 유지하며, 영향력 확산 비율, 커뮤니티 구조, 예산 크기의 변화에 관계없이 일관된 성능을 보임을 확인한다.