[논문 리뷰] Static greedy: solving the apparent scalability-accuracy dilemma in influence maximization

Suqi Cheng, Huawei Shen외 3명|arXiv (Cornell University)|2012. 12. 19.

Spam and Phishing Detection참고 문헌 21인용 수 3

한 줄 요약

이 논문은 반복 단계 간 몽테카를로 시뮬레이션 결과를 재사용함으로써 서브모듈라리티를 보장하는 새로운 영향력 최대화 알고리즘인 Static Greedy를 제안한다. 이로 인해 기존의 그레디 알고리즘 대비 최대 100배 적은 수의 시뮬레이션으로 최신 기술 수준의 정확도를 달성한다. 또한 확장성 향상을 위해 동적 업데이트 전략을 도입하여, 오랫동안 해결되지 않았던 영향력 최대화의 확장성-정확도 딜레마를 해결한다.

ABSTRACT

Influence maximization, defined as the problem of finding a set of seed nodes maximizing the spread of influence, is crucial to viral marketing on social networks. For practical viral marketing on large-scale social networks, it is required that influence maximization algorithms have both guaranteed accuracy and high scalability. However, existing algorithms suffer an apparent scalability-accuracy dilemma: Greedy algorithm and its improvements have guaranteed accuracy but are not scalable, while the accuracy of scalable heuristic algorithms is unstable and not guaranteed. In this paper, we focus on resolving this scalability-accuracy dilemma. We first find that the submodularity is unguaranteed in existing implementations of greedy algorithm, caused by the independence among Monte Carlo simulations conducted in different iterations of greedy algorithm. A large number of Monte Carlo simulations are thus required in existing greedy algorithms to alleviate the impact of unguaranteed submodularity. Motivated by this critical finding, we propose a static greedy algorithm to strictly guarantee the submodularity property, by reusing the results of Monte Carlo simulations during the whole process of greedy algorithm. As a result, the proposed algorithm achieves the same accuracy with the state-of-the-art greedy algorithms, while the number of Monte Carlo simulations needed is dramatically reduced by two orders of magnitude. Moreover, we give a dynamic update strategy to further improve the static greedy algorithm, by applying which our algorithm becomes comparable to the most scalable heuristic algorithm.

연구 동기 및 목표

• 그레디 알고리즘이 정확하지만 느리고, 히우리스틱 방법이 빠르지만 정확도가 불안정한, 영향력 최대화의 확장성-정확도 딜레마를 해결한다.
• 기존 그레디 구현에서 서브모듈라리티 보장이 되지 않는 원인은 반복 단계 간 독립적인 몽테카를로 시뮬레이션에 기인함을 규명한다.
• 반복 과정 전반에 걸쳐 시뮬레이션 결과를 재사용함으로써 서브모듈라리티를 엄격히 보장하고 일관된 정확도를 확보하는 정적 그레디 알고리즘을 제안한다.
• 새로 추가된 노드에 대한 影響 확산 추정치를 점진적으로 업데이트하는 동적 업데이트 전략을 개발하여 정확도를 훼손하지 않으면서도 확장성을 더욱 향상시킨다. 이로 인해 가장 빠른 히우리스틱 알고리즘과 경쟁 가능한 성능을 달성할 수 있다.

제안 방법

• 그레디 알고리즘의 모든 반복 단계에서 동일한 몽테카를로 시뮬레이션 결과 세트를 재사용하여 일관되고 정확한 영향 확산 추정치를 유지한다.
• 모든 과정 동안 동일한 시뮬레이션 결과를 사용함으로써, 노드를 추가할 때의 마진 간극을 일관되게 계산함으로써 서브모듈라리티를 엄격히 강제한다.
• 재사용된 시뮬레이션 결과에서 누적된 영향 확산 정도를 기반으로 노드를 선택하는 정적 그레디 선택 과정을 적용하여 재계산을 방지한다.
• 새로 추가된 노드에 대한 영향 확산 추정치를 점진적으로 업데이트하는 동적 업데이트 전략을 도입하여 불필요한 시뮬레이션을 줄이고 런타임 효율성을 향상시킨다.
• 이전 방법들이 각 반복 단계를 독립적으로 다루는 것과 달리, 시뮬레이션 데이터의 결정적 재사용을 통해 서브모듈라리티 성질을 유지함으로써 정확도를 유지한다.
• 표준 그레디 접근 방식 대비 두 계급 감소한 수의 몽테카를로 시뮬레이션을 요구함으로써 계산 비용을 최적화한다.

실험 결과

연구 질문

• RQ1 기존 그레디 영향력 최대화 알고리즘은 왜 서브모듈라리티를 보장하지 못하는가? 이로 인해 정확도와 시뮬레이션 요구량에 어떤 영향을 미치는가?
• RQ2 반복 단계 간 몽테카를로 시뮬레이션 결과를 재사용함으로써 그레디 영향력 최대화에서 서브모듈라리티를 엄격히 보존할 수 있는가?
• RQ3 시뮬레이션 결과를 재사용함으로써 필요한 시뮬레이션 수를 얼마나 줄일 수 있으며, 이로 인해 정확도는 유지되거나 향상되는가?
• RQ4 제안된 동적 업데이트 전략은 정적 그레디 알고리즘의 확장성을 향상시키지만 정확도를 떨어뜨리지 않는가?
• RQ5 제안된 방법은 대규모 소셜 네트워크에서 그레디 알고리즘의 정확성과 히우리스틱 방법의 확장성을 동시에 달성할 수 있는가?

주요 결과

• 기존 그레디 알고리즘은 반복 단계 간 독립적인 몽테카를로 시뮬레이션으로 인해 서브모듈라리티 보장이 되지 않으며, 이로 인해 높은 시뮬레이션 오버헤드가 발생한다.
• 그레디 과정 전반에 걸쳐 몽테카를로 시뮬레이션 결과를 재사용함으로써 제안된 Static Greedy 알고리즘은 서브모듈라리티를 엄격히 보장하고 일관된 정확도를 확보한다.
• 최신 기술 수준의 그레디 알고리즘 대비 몽테카를로 시뮬레이션 수가 두 계급 감소하여 확장성 향상에 기여한다.
• 동적 업데이트 전략을 통해 알고리즘은 가장 확장성 있는 히우리스틱 알고리즘과 비교해도 경쟁 가능한 성능을 달성할 수 있으며, 동시에 그레디 방법의 정확도를 유지한다.
• 보장된 서브모듈라리티와 극적으로 감소한 계산 비용을 조합함으로써 제안된 방법은 확장성-정확도 딜레마를 해결한다.
• 실험 결과는 Static Greedy가 최고의 그레디 알고리즘 수준의 정확도를 유지하면서도 시뮬레이션 사용 측면에서 훨씬 더 효율적임을 확인한다.