[논문 리뷰] Adaptive Influence Maximization with Myopic Feedback

Binghui Peng, Wei Chen|arXiv (Cornell University)|2019. 05. 28.

Complex Network Analysis Techniques참고 문헌 17인용 수 12

한 줄 요약

이 논문은 독립적 확산 모델과 시선 제한 피드백 하에서 적응형 影響 확산을 다루며, 시드에 의해 즉시 활성화된 이웃들만 공개된다. 적응성 갭이 최대 4이고 최소 e/(e−1)임을 증명하며, 골로빈과 크라우스의 추측을 확인하여 적응형 그레디언트 알고리즘이 최소 1/4(1−1/e)의 상수 근사 비율을 확보함을 보이며, 시선 제한 피드백 하에서는 비적응형 그레디언트와 유의미한 성능 향상이 없다.

ABSTRACT

We study the adaptive influence maximization problem with myopic feedback under the independent cascade model: one sequentially selects k nodes as seeds one by one from a social network, and each selected seed returns the immediate neighbors it activates as the feedback available for later selections, and the goal is to maximize the expected number of total activated nodes, referred as the influence spread. We show that the adaptivity gap, the ratio between the optimal adaptive influence spread and the optimal non-adaptive influence spread, is at most 4 and at least e/(e-1), and the approximation ratios with respect to the optimal adaptive influence spread of both the non-adaptive greedy and adaptive greedy algorithms are at least \frac{1}{4}(1 - \frac{1}{e}) and at most \frac{e^2 + 1}{(e + 1)^2} < 1 - \frac{1}{e}. Moreover, the approximation ratio of the non-adaptive greedy algorithm is no worse than that of the adaptive greedy algorithm, when considering all graphs. Our result confirms a long-standing open conjecture of Golovin and Krause (2011) on the constant approximation ratio of adaptive greedy with myopic feedback, and it also suggests that adaptive greedy may not bring much benefit under myopic feedback.

연구 동기 및 목표

• 독립적 확산 모델과 시선 제한 피드백 하에서 적응형 영향 확산의 적응성 갭을 분석하는 것.
• 최적의 적응형 해에 대해 비적응형 및 적응형 그레디언트 알고리즘의 근사 비율을 평가하는 것.
• 골로빈과 크라우스(2011)가 제기한, 시선 제한 피드백 하에서 적응형 그레디언트의 상수 근사 성능에 대한 오랜 동안의 추측을 해결하는 것.
• 즉각적인 피드백만 제공될 때 영향 확산에서 적응성이 유의미한 이점을 제공하는지 조사하는 것.

제안 방법

• 비적응형 서브모듈라리티를 고려할지라도 적응성 갭을 구속하기 위해 세 개의 독립적 확산 실행을 조합한 하이브리드 정책을 도입한다.
• 비적응형 및 적응형 그레디언트 알고리즘이 최적의 적응형 영향 확산에 대해 최소 1/4(1−1/e)의 근사를 달성함을 보여주는 새로운 증명 기법을 사용한다.
• 적응형 그레디언트의 성능이 최악의 경우 비적응형 그레디언트를 초월할 수 없음을 보여주기 위해 가중치가 부여된 노드를 가진 그래프의 가중족을 구성한다.
• 유도된 그래프 가중족에 대한 渐近 분석을 통해 근사 비율의 날카운 상한을 유도하며, (e²+1)/(e+1)² ≈ 0.606으로 수렴함을 보인다.
• 시선 제한 피드백이 제한된 정보만 제공하므로, 구성된 그래프에서 G₁의 노드에서 온 피드백은 G₂에 대해 무의미하다는 사실을 활용하여 비적응형 행동을 적응형 그레디언트에서 시뮬레이션한다.
• 비적응형 영향 확산에 대한 그레디언트 알고리즘이 (1−1/e)의 근사를 달성한다는 사실을 기반으로, 적응형 케이스의 근사 비율에 대한 구속을 유도한다.

실험 결과

연구 질문

• RQ1 독립적 확산 모델과 시선 제한 피드백 하에서 영향 확산의 적응성 갭은 무엇인가?
• RQ2 골로빈과 크라우스의 추측처럼, 시선 제한 피드백 하에서도 적응형 그레디언트 알고리즘이 여전히 상수 근사 비율을 확보하는가?
• RQ3 시선 제한 피드백 하에서 비적응형 그레디언트에 비해 적응형 그레디언트가 유의미한 성능 이점을 가지는가?
• RQ4 최적의 적응형 해에 대해 두 그레디언트 알고리즘의 근사 비율에 대해 날카운 상한과 하한을 설정할 수 있는가?
• RQ5 시선 제한 피드백 하에서 적응형 서브모듈라리티가 성립하지 않아 표준 적응형 서브모듈라리티 기법의 사용이 불가능한가?

주요 결과

• 적응성 갭—최적의 적응형 영향 확산과 비적응형 영향 확산 간의 비율—는 최대 4이고 최소 e/(e−1)이며, 비적응형 서브모듈라리티 문제에 대해 날카운 구속을 확립한다.
• 적응형 그레디언트 알고리즘이 최적의 적응형 해에 대해 최소 1/4(1−1/e)의 상수 근사 비율을 확보하며, 골로빈과 크라우스의 추측을 확인한다.
• 적응형 그레디언트의 근사 비율은 1−1/e ≈ 0.632보다 엄격히 작으며, 상한으로 (e²+1)/(e+1)² ≈ 0.606로 제한된다.
• 비적응형 그레디언트 알고리즘이 모든 그래프에서 적응형 그레디언트의 근사 비율보다 열 劣하지 않으며, 이는 시선 제한 피드백 하에서 적응성의 이점이 극히 미미함을 시사한다.
• 점점 커지는 그래프에서 비적응형 그레디언트 성능과 최적의 적응형 영향 확산 간의 비율은 (e²+1)/(e+1)² ≈ 0.606로 수렴하며, 이는 성능 손실에 대한 날카운 상한을 나타낸다.