[논문 리뷰] Influence Maximization with Semi-Bandit Feedback.

Zheng Wen, Branislav Kveton외 1명|arXiv (Cornell University)|2016. 05. 21.

Complex Network Analysis Techniques인용 수 6

한 줄 요약

이 논문은 독립 확산 모델 하에서 사회 네트워크 내 온라인 영향력 확산 문제를 위한 계산적으로 효율적인 UCB 기반 알고리즘인 IMLinUCB를 제안한다. 반응형 피드백 환경에서 네트워크 구조와 간선 활성화 확률에 따라 결정되는 다항식 오차 한계를 달성하며, 조합적 반응형 밴딧 환경에서 영향력 확산 문제에 대해 처음으로 이론적 보장을 제공한다.

ABSTRACT

We study the online influence maximization problem in social networks under the independent cascade model. Specifically, we aim to learn the set of influencers in a social network online while repeatedly interacting with it. We address the challenges of (i) combinatorial action space, since the number of feasible influencer sets grows exponentially with the maximum number of influencers, and (ii) limited feedback, since only the influenced portion of the network is observed. Under a stochastic semi-bandit feedback, we propose and analyze IMLinUCB, a computationally efficient UCB-based algorithm. Our bounds on the cumulative regret are polynomial in all quantities of interest, achieve near-optimal dependence on the number of interactions and reflect the topology of the network and the activation probabilities of its edges, thereby giving insights on the problem complexity. To the best of our knowledge, these are the first such results. Our experiments show that in several representative graph topologies, the regret of IMLinUCB scales as suggested by our upper bounds. IMLinUCB permits linear generalization and thus is both statistically and computationally suitable for large-scale problems. Our experiments also show that IMLinUCB with linear generalization can lead to low regret in real-world online influence maximization.

연구 동기 및 목표

• 조합적 행동 공간과 제한된 피드백을 가진 사회 네트워크 내 온라인 영향력 확산 문제를 해결하기 위해.
• 부분 관찰 조건 하에서 지수 크기의 영향력 행사자 집합을 다룰 수 있는 계산적으로 효율적인 알고리즘을 개발하기 위해.
• 네트워크 구조와 간선 활성화 확률을 반영한 이론적 오차 한계를 제공하기 위해.
• 대규모 영향력 확산 문제에 대한 확장성을 확보하기 위해 선형 일반화를 적용하기 위해.

제안 방법

• 논문은 반응형 피드백 환경에서 영향력 확산에 특화된 UCB 기반 알고리즘인 IMLinUCB를 제안한다.
• 선형 일반화를 사용하여 영향력 확산 확률을 모델링함으로써 대규모 네트워크로의 확장성을 달성한다.
• 탐색과 이용의 균형을 이루기 위해 영향력 확산 추정치에 대한 상한 신뢰도를 유지한다.
• 각 개입 후 영향을 받은 노드들만 관측하는 반응형 피드백을 활용한다.
• 오차 분석에 네트워크 구조와 간선 활성화 확률을 통합한다.
• 이론적 분석을 통해 네트워크 구조와 상호작용 횟수에 따라 의존하는 다항식 오차 한계를 유도한다.

실험 결과

연구 질문

• RQ1 조합적 행동 공간이 존재하는 온라인 환경에서 영향력 확산 문제를 어떻게 효율적으로 해결할 수 있는가?
• RQ2 독립 확산 모델 하에서 반응형 피드백 조건에서 어떤 오차 한계를 달성할 수 있는가?
• RQ3 네트워크 구조와 간선 활성화 확률은 온라인 영향력 확산 문제의 복잡성에 어떻게 영향을 미치는가?
• RQ4 선형 일반화는 밴딧 알고리즘과 효과적으로 통합되어 대규모 네트워크로의 확장에 기여할 수 있는가?

주요 결과

• IMLinUCB는 상호작용 횟수와 네트워크 크기를 포함한 모든 관련 매개변수에서 다항식 오차 한계를 달성한다.
• 오차 한계는 네트워크의 구조와 간선의 활성화 확률을 반영하여 문제 고유의 복잡성을 반영한다.
• 여러 대표적인 그래프 구조에서 IMLinUCB는 이론적 상한선과 일치하는 오차 스케일링을 보여준다.
• 선형 일반화를 통한 IMLinUCB는 실제 영향력 확산 시나리오에서 낮은 오차를 달성한다.
• 제안된 방법은 통계적으로 타당하고 계산적으로 효율적이며, 대규모 네트워크로의 확장성을 보장한다.