[論文レビュー] Diffusion Independent Semi-Bandit Influence Maximization.

Sharan Vaswani, Branislav Kveton+4 more|arXiv (Cornell University)|Mar 1, 2017

Advanced Bandit Algorithms Research被引用数 11

ひとこと要約

本稿では、拡散モデルに依存しない代替目的関数とペairワイズインフルエンス半バンドイットフィードバックモデルを用いて、社会的ネットワークにおけるインフルエンス最大化のためのモデルに依存しない統計的に効率的なフレームワークを提案する。LinUCBに基づくバンドイットアルゴリズムを導入し、ネットワークサイズに依存するレグレットの改善を達成し、多様な拡散モデルにおいて頑健でほぼ最適な性能を示す。

ABSTRACT

We consider influence maximization (IM) in social networks, which is the problem of maximizing the number of users that become aware of a product by selecting a set of seed users to expose the product to. While prior work assumes a known model of information diffusion, we propose a novel parametrization that not only makes our framework agnostic to the underlying diffusion model, but also statistically efficient to learn from data. We give a corresponding monotone, submodular surrogate function, and show that it is a good approximation to the original IM objective. We also consider the case of a new marketer looking to exploit an existing social network, while simultaneously learning the factors governing information propagation. For this, we propose a pairwise-influence semi-bandit feedback model and develop a LinUCB-based bandit algorithm. Our model-independent analysis shows that our regret bound has a better (as compared to previous work) dependence on the size of the network. Experimental evaluation suggests that our framework is robust to the underlying diffusion model and can efficiently learn a near-optimal solution.

研究の動機と目的

• 既存のインフルエンス最大化手法が、既知で固定された拡散モデルに依存しているという限界を解決すること。
• 基礎となる情報拡散プロセスに依存しないが、データから学習するにあたり統計的に効率的なフレームワークを構築すること。
• 新しいマーケッターが、既存のソーシャルネットワークにおいて、同時に伝搬ダイナミクスの学習とシード選定の最適化を可能にすること。
• 完全なインフルエンスカスケードの観測を必要とせず、関連する伝搬信号を捉えるフィードバックメカニズム（ペアワイズインフルエンス半バンドイット）を設計すること。
• 先行研究よりもネットワークサイズに依存するレグレットの依存性が改善されたバウンドを達成し、スケーラビリティと実用性を高めること。

提案手法

• 特定の拡散モデルを仮定せずに、元のインフルエンス最大化目的関数を近似する単調かつサブモジュラーな代替関数を提案する。
• ノード間の影響結果を観測するペアワイズインフルエンス半バンドイットフィードバックモデルを導入し、部分的フィードバックのもとで効率的な学習を可能にする。
• 線形文脈的バンドイットを活用して、ペアワイズフィードバックからインフルエンスパラメータを学習するLinUCBベースのバンドイットアルゴリズムを開発する。
• 代替目的関数を計算可能かつ真のIM目的関数の良い近似とするように設計し、性能に関する理論的保証を確保する。
• モデルに依存しない解析を用いて、ネットワークサイズに有利にスケーリングするレグレットバウンドを導出する。これにより、先行研究を改善する。
• 統計的効率性を活用して、サンプル複雑性を低減し、近似的に最適なシードセットへの収束を高速化する。

実験結果

リサーチクエスチョン

• RQ1 既知の拡散モデルを仮定せずに、社会的ネットワークにおけるインフルエンス伝搬ダイナミクスを学習できる半バンドイットフレームワークを設計できるか？
• RQ2 モデルに依存しない方法で、真のインフルエンス最大化目的関数を良い近似とすることができる一方で、単調かつサブモジュラーである代替目的関数をどのように構築できるか？
• RQ3 ペアワイズインフルエンス半バンドイットフィードバックモデル下で、LinUCBベースのアルゴリズムのレグレット性能はどのようになるか？また、ネットワークサイズにどのように依存するか？
• RQ4 独立キャスケードモデルや線形閾値モデルなどの、基礎となる拡散プロセスの変化に対して、提案手法はどの程度頑健か？
• RQ5 このフレームワークにより、事前の知識が最小限の新規マーケッターが、既存のネットワークで影響拡散を同時に学習し最適化できるか？

主な発見

• 提案された代替関数は、元のインフルエンス最大化目的関数を強く近似し、最適化のための効率性を保つために単調性とサブモジュラリティを維持する。
• LinUCBベースのバンドイットアルゴリズムは、先行研究よりもネットワークサイズに依存するレグレットの依存性が改善されており、スケーラビリティが向上する。
• フレームワークは、独立キャスケードや線形閾値モデルを含む多様な拡散モデルにおいて、頑健なパフォーマンスを示しており、モデルに依存しない有効性を裏付ける。
• 実験的評価により、真の拡散モデルが未知であっても、近似的に最適なシードセットを高い統計的効率で効率的に学習できることを確認した。
• ペアワイズインフルエンス半バンドイットフィードバックモデルは、完全なカスケード観測よりも観測のオーバーヘッドが少なく、実用的な展開性を高める。
• 理論的保証であるレグレットの制御を維持しながら、強力な実験的パフォーマンスを達成しており、実世界のインフルエンス最大化タスクにおける実用的妥当性を検証した。