[論文レビュー] Identifying a set of influential spreaders in complex networks

Jianxiong Zhang, Duanbing Chen+2 more|arXiv (Cornell University)|Jan 30, 2016

Complex Network Analysis Techniques参考文献 26被引用数 13

ひとこと要約

この論文では、影響力に基づいてノードが他のノードに投票するが、選択されたスプレッダーの隣接ノードの投票力を低下させることで、複雑なネットワークにおける影響力を持つスプレッダーを特定する反復的アルゴリズムであるVoteRankを提案する。VoteRankは、SIRおよびSIモデル下で実世界のネットワークにおいて、従来の手法（PageRank、k-shell、ClusterRank）に比べてスケーラビリティとスパreading効率が優れており、最終的な影響範囲が大きく、計算が速い。

ABSTRACT

Identifying a set of influential spreaders in complex networks plays a crucial role in effective information spreading. A simple strategy is to choose top-$r$ ranked nodes as spreaders according to influence ranking method such as PageRank, ClusterRank and $k$-shell decomposition. Besides, some heuristic methods such as hill-climbing, SPIN, degree discount and independent set based are also proposed. However, these approaches suffer from a possibility that some spreaders are so close together that they overlap sphere of influence or time consuming. In this report, we present a simply yet effectively iterative method named VoteRank to identify a set of decentralized spreaders with the best spreading ability. In this approach, all nodes vote in a spreader in each turn, and the voting ability of neighbors of elected spreader will be decreased in subsequent turn. Experimental results on four real networks show that under Susceptible-Infected-Recovered (SIR) model, VoteRank outperforms the traditional benchmark methods on both spreading speed and final affected scale. What's more, VoteRank is also superior to other group-spreader identifying methods on computational time.

研究の動機と目的

• 既存の影響力最大化手法が、密に集まっているスプレッダーを選択するという限界を是正すること。
• 大規模な複雑ネットワークにおける影響力を持つスプレッダーを特定する、高速でスケーラブルかつ分散型の手法を開発すること。
• 選択されたスプレッダーがネットワーク全体に均等に分散されていることを保証することで、スパreading効率を向上させ、影響の重複を避けること。
• 特に大規模ネットワークにおいて、高いスパreading性能と低い計算コストの両立を図ること。
• 大規模応用に不適切なほど遅いか不安定なグリーディ法やヒューリスティック法の代替としての強力な代替手法を提供すること。

提案手法

• VoteRankは、各ラウンドで全ノードが現在の投票スコアに基づいて最も影響力のあるノードに投票する反復的投票メカニズムを用いる。
• スプレッダーが選択された後、その隣接ノードの投票力を低下させることで、スプレッダーの空間的分散を促進し、クラスタリングを防ぐ。
• 投票スコアはノードの次数または均一値に基づいて初期化され、各選択後に動的に更新され、影響力の潜在的変化を反映する。
• アルゴリズムは反復的にr個のスプレッダーを選択し、各選択ステップでは最高の投票スコアを持つノードを特定し、そのノードの隣接ノードの影響を更新する。
• ネットワークのトポロジーと局所的情報を活用して、影響力が高くかつ均等に分散されたノードを優先的に選択する。
• 赤黒木などのデータ構造を活用することで、計算の複雑性を最適化し、各反復で選択時間をO(log n)に削減する。

実験結果

リサーチクエスチョン

• RQ1 複雑なネットワーク全体に広く分散され、かつ高い効果を持つスプレッダーの集合をどのように特定できるか？
• RQ2 静的中心性指標（次数やk-shell）と比較して、反復的投票メカニズムはスパreading効率を向上させられるか？
• RQ3 PageRank、k-shell、ClusterRankといったベンチマーク手法と比較して、VoteRankはより優れたスパreading効率と最終的影響範囲を達成できるか？
• RQ4 SPIN や次数割引といったグリーディ法やヒューリスティック法と比較して、VoteRankの計算効率はどの程度か？
• RQ5 スプレッダーの分散度（平均最短経路長で測定）は、全体のスパreading効果にどのような影響を与えるか？

主な発見

• SIRおよびSIモデル下で、4つの実世界ネットワークすべてにおいて、VoteRankはk-shell、PageRank、ClusterRankよりも高い最終的影響範囲を達成した。
• SIRモデル下でDBLPネットワークにおいて、VoteRankはPageRankに比べ最大21.90%高いスパreading効率を示した。
• VoteRankが選択したスプレッダーの平均最短経路長（Ls）は、他の手法と比べ顕著に大きく、空間的分散性が優れていることを示している。
• スパースネットワークにおいてr ≪ nの場合、VoteRankは計算時間をO(n)にまで短縮し、大規模ネットワークへの高いスケーラビリティを実現した。
• 感染率（λ）や初期スプレッダー数（p）の変化に対しても、VoteRankは安定したパフォーマンスを維持しており、頑健性があることが示された。
• 無向ネットワークではK-shellRankを上回り、有向ネットワークではPageRankやLeaderRankを上回る性能を示した。