[논문 리뷰] Scalable Misinformation Prevention in Social Networks.

Michael Simpson, Venkatesh Srinivasan외 1명|arXiv (Cornell University)|2018. 07. 01.

Complexity and Algorithms in Graphs참고 문헌 9인용 수 4

한 줄 요약

이 논문은 소셜 네트워크에서 오락성 정보 확산을 방지하기 위해 k명의 사용자를 선별하여 '제한' 캠페인을 도입하는 데에 사용할 수 있는 확장 가능한 알고리즘인 RPS(Remove Prevention Sampling)을 제안한다. RPS는 O((k + l)(n + m)(1/(1 - γ)) log n / ε²)의 기대 시간 내에 (1 - 1/e - ε)-근사해를 달성하며, 이는 이전 방법들에 비해 속도 면에서 뚜렷한 향상을 보이며 강력한 이론적 보장을 유지한다.

ABSTRACT

In this work, we consider misinformation propagating through a social network and study the problem of its prevention. In this problem, a bad campaign starts propagating from a set of seed nodes in the network and we use the notion of a limiting (or good) campaign to counteract the effect of misinformation. The goal is then to identify a subset of $k$ users that need to be convinced to adopt the limiting campaign so as to minimize the number of people that adopt the bad campaign at the end of both propagation processes. This work presents \emph{RPS} (Reverse Prevention Sampling), an algorithm that provides a scalable solution to the misinformation prevention problem. Our theoretical analysis shows that \emph{RPS} runs in $O((k + l)(n + m)(\frac{1}{1 - \gamma}) \log n / \epsilon^2)$ expected time and returns a $(1 - 1/e - \epsilon)$-approximate solution with at least $1 - n^{-l}$ probability (where $\gamma$ is a typically small network parameter). The time complexity of \emph{RPS} substantially improves upon the previously best-known algorithms that run in time $\Omega(m n k \cdot POLY(\epsilon^{-1}))$. We experimentally evaluate \emph{RPS} on large datasets and show that it outperforms the state-of-the-art solution by several orders of magnitude in terms of running time. This demonstrates that misinformation prevention can be made practical while still offering strong theoretical guarantees.

연구 동기 및 목표

• 대규모 소셜 네트워크에서 오락성 정보의 확산을 전략적 개입을 통해 방지하는 데 도전 과제를 해결하기 위해.
• 악성(나쁜) 캠페인의 최종 확산을 최소화하기 위해, '제한'(또는 양호한) 캠페인을 채택하도록 유도할 수 있는 k명의 사용자 집합을 식별하기 위해.
• 문제의 계산 복잡도에도 불구하고 높은 품질의 근사 보장을 유지하는 확장 가능한 솔루션을 개발하기 위해.
• 기존 알고리즘의 런타임을 향상시키기 위해, 네트워크 크기와 매개변수 정밀도에 따라 성능이 급격히 떨어지는 문제를 개선하기 위해.

제안 방법

• RPS는 모든 가능한 k명 사용자 조합을 철저히 평가하지 않고도 영향력이 큰 사용자를 효율적으로 식별하기 위해 역 샘플링 기법을 활용한다.
• 알고리즘은 (1 - 1/e - ε)-근사해를 높은 확률(최소 1 - n^(-l))로 확보하기 위해 확률적 프레임워크를 활용한다.
• 영향력 전파의 일반적인 감쇠를 나타내는 네트워크 매개변수 γ를 사용하여 기대 런타임과 영향력 전파를 제한한다.
• 기존 방법에서 Ω(m n k · POLY(ε^(-1)))의 시간 복잡도를 지닌 것을 RPS는 O((k + l)(n + m)(1/(1 - γ)) log n / ε²)로 감소시켜 확장 가능성을 확보한다.
• 후보 사용자의 영향력을 추정하기 위해 반대로 도달 가능한 집합의 반복 샘플링에 의존하여 영향력이 큰 노드에 집중한다.
• 이론적 분석은 농도 부등식과 영향력 전파 모델링을 결합하여 근사 오차와 실패 확률의 상한을 도출한다.

실험 결과

연구 질문

• RQ1 대규모 소셜 네트워크에서 오락성 정보 방지를 위한 강력한 이론적 근사 보장을 제공하는 확장 가능한 알고리즘을 설계할 수 있는가?
• RQ2 해당 문제의 영향력 최대화 스타일 알고리즘의 런타임을 솔루션 품질을 희생시키지 않고 어떻게 줄일 수 있는가?
• RQ3 네트워크 구조와 영향력 감쇠(매개변수 γ)는 예방 전략의 효율성과 정확성에 어떤 영향을 미치는가?
• RQ4 역 샘플링 기법은 오락성 정보 방지 문제에 효과적으로 적용될 수 있는가? 이를 통해 속도와 정확성을 동시에 확보할 수 있는가?

주요 결과

• RPS는 최소 1 - n^(-l)의 확률로 (1 - 1/e - ε)-근사해를 달성하며, 영향력 최대화 문제의 이론적 상한과 일치한다.
• RPS의 기대 런타임은 O((k + l)(n + m)(1/(1 - γ)) log n / ε²)이며, 이는 기존 알고리즘의 Ω(m n k · POLY(ε^(-1))) 복잡도에 비해 뚜렷한 향상이다.
• 대규모 데이터셋에서 RPS는 최신 기술 수준의 솔루션보다 실행 시간 면에서 수개의 주기적 향상을 보이며 높은 솔루션 품질을 유지한다.
• 알고리즘의 성능은 다양한 네트워크 구조에서 뛰어나게 유지되며, 네트워크 크기와 영향력 감쇠 매개변수 γ에 따라 런타임이 유리하게 스케일링된다.
• 역 샘플링의 사용은 영향력 전파의 효율적 추정을 가능하게 하여 오락성 정보 방지의 대규모 구현 가능성을 확보한다.
• 확률적 가정 하에서도 이론적 보장이 유지되어 실제 네트워크 환경에서의 신뢰성을 보장한다.