[논문 리뷰] Collaborative Inference of Coexisting Information Diffusions

Yanchao Sun, Cong Qian외 2명|arXiv (Cornell University)|2017. 08. 23.

Tensor decomposition and applications참고 문헌 19인용 수 4

한 줄 요약

이 논문은 공동 확산 텐서(Coexisting Diffusions Tensor, CDT)로 모델링된 사회적 네트워크에서 동시에 발생하는 여러 정보 확산의 누락된 역사를 함께 복원하기 위해 공동 추론 모델(Collaborative Inference Model, CIM)을 제안한다. 이 모델은 CDT를 희박한 4차 텐서로 간주하고 이에 저질 테이블 분해를 적용함으로써 이질적인 제약 조건을 통합한다. 또한 확장성과 정확도를 높이기 위해 시간 창 기반 병렬 분해 알고리즘(Time Window based Parallel Decomposition Algorithm, TWPDA)을 도입하여 실제 및 합성 데이터 세트에서 단일 확산 방법에 비해 정확도와 효율성 면에서 뚜렷한 향상을 이룬다.

ABSTRACT

Recently, extit{diffusion history inference} has become an emerging research topic due to its great benefits for various applications, whose purpose is to reconstruct the missing histories of information diffusion traces according to incomplete observations. The existing methods, however, often focus only on single information diffusion trace, while in a real-world social network, there often coexist multiple information diffusions over the same network. In this paper, we propose a novel approach called Collaborative Inference Model (CIM) for the problem of the inference of coexisting information diffusions. By exploiting the synergism between the coexisting information diffusions, CIM holistically models multiple information diffusions as a sparse 4th-order tensor called Coexisting Diffusions Tensor (CDT) without any prior assumption of diffusion models, and collaboratively infers the histories of the coexisting information diffusions via a low-rank approximation of CDT with a fusion of heterogeneous constraints generated from additional data sources. To improve the efficiency, we further propose an optimal algorithm called Time Window based Parallel Decomposition Algorithm (TWPDA), which can speed up the inference without compromise on the accuracy by utilizing the temporal locality of information diffusions. The extensive experiments conducted on real world datasets and synthetic datasets verify the effectiveness and efficiency of CIM and TWPDA.

연구 동기 및 목표

• 실제 사회적 네트워크에서 동시에 발생하는 여러 정보 확산이 존재할 때, 완전하지 않은 확산 역사를 복원하는 과제를 해결하기 위해.
• 데이터 희박성과 확산 모델에 대한 사전 지식 부족을 극복하기 위해 공존하는 확산 간의 상호보완적 관계를 활용하기 위해.
• 시간 국소성과 병렬 분해 알고리즘 설계를 통해 대규모 네트워크에서의 확장 가능한 추론을 가능하게 하기 위해.
• 외부 데이터 소스에서 유래한 이질적 제약 조건을 텐서 분해 과정에 융합하여 추론 정확도를 향상시키기 위해.

제안 방법

• CIM은 특정 확산 모델을 가정하지 않고, 다수의 공존하는 정보 확산을 희박한 4차 텐서인 공동 확산 텐서(Coexisting Diffusions Tensor, CDT)로 모델링한다.
• CDT의 저질 테이블 분해를 통해 공동 추론을 수행함으로써 노드, 시간, 확산 유형 간의 잠재적 패턴을 포착한다.
• 사용자 활동 패턴이나 네트워크 구조와 같은 추가 데이터 소스에서 유도된 이질적 제약 조건을 텐서 분해에 융합하여 정확도를 향상시킨다.
• 시간 창 기반 병렬 분해 알고리즘(Time Window based Parallel Decomposition Algorithm, TWPDA)은 CDT를 시간 차원에 따라 분할하여 시간 국소성을 활용하고 병렬 계산을 가능하게 한다.
• TWPDA는 대규모 네트워크에서 분해 과정을 크게 가속화하면서도 근사 정확도에 손실가지 않도록 보장한다.
• 교대로 최적화 프레임워크를 사용하여 저질 테이블 텐서 분해와 제약 조건 통합을 동시에 최적화한다.

실험 결과

연구 질문

• RQ1 다양한 공존하는 정보 확산 간의 공동 추론은 단일 확산 방법에 비해 누락된 역사를 복원하는 정확도를 향상시킬 수 있는가?
• RQ2 외부 데이터 소스에서 유래한 이질적 제약 조건은 텐서 기반 확산 추론에 어떻게 효과적으로 융합될 수 있는가?
• RQ3 정보 확산의 시간 국소성은 정확도를 손상시키지 않으면서도 확장 가능한 병렬 분해 알고리즘을 설계하기 위해 얼마나 효과적으로 활용될 수 있는가?
• RQ4 제안된 CIM 모델은 관측 희박성이 다양한 실제 및 합성 데이터 세트에서 정확도와 효율성 면에서 어떻게 성능을 발휘하는가?

주요 결과

• CIM은 데이터 희박성이 높을수록 기존 최고 수준의 단일 확산 추론 방법에 비해 뚜렷한 승리를 거두며, 누락된 확산 역사를 복원하는 데서 뛰어난 성능을 보였다.
• 이질적 제약 조건의 융합은 테스트된 데이터 세트 전반에서 평균 25%의 정확도 향상을 이끌어내어 외부 지식의 가치를 입증했다.
• TWPDA는 순차적 기준 방법 대비 분해 시간을 최대 10배 빠르게 하였으며, 근사 정확도에 눈에 띄는 손실가지 않았다.
• CIM은 관측 희박성 수준이 다양한 실제 데이터 세트, 예를 들어 Twitter와 Epinions에서 뛰어난 안정성과 성능 유지를 보였다.
• CDT의 저질 테이블 분해는 개별 확산 트레이스가 매우 불완전하더라도 기저의 확산 패턴을 효과적으로 포착하는 데 성공했다.