[논문 리뷰] Time is What Prevents Everything from Happening at Once: Propagation Time-conscious Influence Maximization

Hui Li, Sourav S. Bhowmick외 2명|arXiv (Cornell University)|2017. 05. 31.

Complex Network Analysis Techniques참고 문헌 11인용 수 3

한 줄 요약

이 논문은 영향 확산 중 네트워크가 변화하는 것을 고려한 시간 인식 영향 최대화 프레임워크인 Proteus-IM을 제안한다. 이 프레임워크는 탐욕 알고리즘(proteus-genie)과 역방향 도달 가능 집합 기반 방법(proteus-seer)을 사용하여 현재 네트워크에서 미래에 변화하는 네트워크에서 영향 확산을 최대화하는 시드를 선택한다. 실험 결과, 두 알고리즘이 고전적 IM 방법보다 영향 확산 품질에서 뛰어나며, proteus-seer는 속도와 성능 사이에 뛰어난 균형을 이룬다.

ABSTRACT

The influence maximization (IM) problem as defined in the seminal paper by Kempe et al. has received widespread attention from various research communities, leading to the design of a wide variety of solutions. Unfortunately, this classical IM problem ignores the fact that time taken for influence propagation to reach the largest scope can be significant in realworld social networks, during which the underlying network itself may have evolved. This phenomenon may have considerable adverse impact on the quality of selected seeds and as a result all existing techniques that use this classical definition as their building block generate seeds with suboptimal influence spread. In this paper, we revisit the classical IM problem and propose a more realistic version called PROTEUS-IM (Propagation Time conscious Influence Maximization) to replace it by addressing the aforementioned limitation. Specifically, as influence propagation may take time, we assume that the underlying social network may evolve during influence propagation. Consequently, PROTEUSIM aims to select seeds in the current network to maximize influence spread in the future instance of the network at the end of influence propagation process without assuming complete topological knowledge of the future network. We propose a greedy and a Reverse Reachable (RR) set-based algorithms called PROTEUS-GENIE and PROTEUS-SEER, respectively, to address this problem. Our algorithms utilize the state-of-the-art Forest Fire Model for modeling network evolution during influence propagation to find superior quality seeds. Experimental study on real and synthetic social networks shows that our proposed algorithms consistently outperform state-of-the-art classical IM algorithms with respect to seed set quality.

연구 동기 및 목표

• 영향 확산 중 네트워크가 정적일 것이라 가정하는 고전적 영향 최대화(IM)의 한계를 해결하기 위해, 동적 소셜 네트워크에서 비현실적인 가정을 제거한다.
• 영향 확산 중 네트워크 변화를 모델링하기 위해 숲 불꽃 모델(Forest Fire Model)을 사용하여 미래 네트워크 상태에서의 더 정확한 시드 선택을 가능하게 한다.
• 현재 네트워크에서 영향 확산이 향후 변화하는 네트워크에서 최대화되도록 하는 고품질의 시드 세트를 효율적으로 선택하는 알고리즘을 개발한다.
• 실제 시간적 역동성을 반영하는 영향 최대화의 새로운 벤치마크를 제공하여 고전적 IM 접근 방식에 비해 시드 품질을 향상시킨다.

제안 방법

• 영향 확산이 무시할 수 없는 시간을 차지하며 그 동안 네트워크가 변화한다는 가정을 하는, 영향 최대화의 새로운 공식인 Proteus-IM을 제안한다.
• 영향 확산 중 미래 네트워크의 구조를 예측하기 위해 숲 불꽃 모델을 사용하여 변화하는 영향 확산을 시뮬레이션할 수 있도록 한다.
• I 시간 단계 동안 네트워크 변화를 시뮬레이션하고 최종적으로 변화한 네트워크에서의 영향 확산 기반으로 시드를 선택하는 탐욕 알고리즘인 proteus-genie를 설계한다.
• 전체 시뮬레이션을 피하기 위해 예측된 미래 네트워크에서 역방향 영향 경로를 샘플링하는 역방향 도달 가능 집합 기반 알고리즘인 proteus-seer를 설계하여 효율성을 향상시킨다.
• 이미 존재하는 확산 모델(예: 독립 캐스케이드)에 네트워크 변화 예측을 통합하여 동적 구조에서의 영향 확산을 계산한다.
• 확률적 프레임워크를 사용하여 미래 네트워크의 전체 구조를 알지 못해도 영향 확산을 추정할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 영향 확산 중 네트워크 변화가 고전적 영향 최대화에서 시드 선택 품질에 어떤 영향을 미치는가?
• RQ2 네트워크 변화를 확산 중에 모델링함으로써, 정적 네트워크를 가정하는 것보다 영향 확산 품질을 향상시킬 수 있는가?
• RQ3 시드 선택에 네트워크 변화를 고려할 때, 영향 확산 품질과 계산 효율성 사이의 상호 상충 관계는 어떠한가?
• RQ4 예측된 미래 네트워크 인스턴스 수(I)가 제안된 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ5 역방향 도달 가능 집합 기반 접근 방식은 탐욕적 시뮬레이션 대비 런타임을 줄이면서도 높은 영향 확산 품질을 유지할 수 있는가?

주요 결과

• 제안된 proteus-genie와 proteus-seer 알고리즘은 실제 및 합성 네트워크 전반에서 최신 고전적 IM 알고리즘보다 뛰어난 영향 확산 품질을 보인다.
• proteus-seer는 가장 큰 네트워크에서 한 시간 이내에 거의 최적의 영향 확산 품질을 달성하여 속도와 성능 사이에 뛰어난 균형을 이룬다.
• 예측된 미래 네트워크 인스턴스 수(I)를 늘릴수록 시드 품질이 향상되지만, I = 500를 초과하면 추가 수익이 1% 미만으로 감소하여 수익 감소 효과가 나타난다.
• proteus-seer의 영향 확산 품질은 irie 및 imm와 같은 고전적 방법보다 항상 뛰어나며, 이는 시드 품질이 실용적 응용에서 핵심임을 확인한다.
• proteus-genie의 런타임은 I에 따라 거의 선형적으로 증가하여 이론적 분석을 뒷받침하며 확장성 제약을 확인한다.
• 숲 불꽃 모델을 사용한 네트워크 변화 예측은 동적 소셜 네트워크의 정확한 모델링을 가능하게 하여 시드 선택의 현실성과 효과성을 향상시킨다.