[논문 리뷰] On the Fairness of Time-Critical Influence Maximization in Social Networks

Junaid Ali, Mahmoudreza Babaei외 4명|arXiv (Cornell University)|2019. 05. 16.

Social Media and Politics인용 수 7

한 줄 요약

이 논문은 시간 제약 조건 하에서 사회적으로 중요한 그룹 간 영향력 분포를 균형 있게 유지하기 위해 정당화된 시간 제약 영향력 최대화(FairTCIM)를 제안한다. 시간 제약 조건 하에서 영향력 분포의 불균형을 줄이면서 성능 손실가 지속 가능한 이론적 보장을 갖춘 그린 알고리즘을 제안한다. 검증은 Facebook-Snap을 포함한 합성 및 실세계 네트워크에서 수행되었다.

ABSTRACT

Influence maximization has found applications in a wide range of real-world problems, for instance, viral marketing of products in an online social network, and information propagation of valuable information such as job vacancy advertisements and health-related information. While existing algorithmic techniques usually aim at maximizing the total number of people influenced, the population often comprises several socially salient groups, e.g., based on gender or race. As a result, these techniques could lead to disparity across different groups in receiving important information. Furthermore, in many of these applications, the spread of influence is time-critical, i.e., it is only beneficial to be influenced before a time deadline. As we show in this paper, the time-criticality of the information could further exacerbate the disparity of influence across groups. This disparity, introduced by algorithms aimed at maximizing total influence, could have far-reaching consequences, impacting people's prosperity and putting minority groups at a big disadvantage. In this work, we propose a notion of group fairness in time-critical influence maximization. We introduce surrogate objective functions to solve the influence maximization problem under fairness considerations. By exploiting the submodularity structure of our objectives, we provide computationally efficient algorithms with guarantees that are effective in enforcing fairness during the propagation process. We demonstrate the effectiveness of our approach through synthetic and real-world experiments.

연구 동기 및 목표

• 시간 제약 조건 하에서 네트워크 구조와 시간 제약로 인해 소수 집단이 비례적으로 더 적게 영향을 받는 불공정성 문제를 해결하기 위해.
• 시간 마감일 내에 그룹 간 영향력 비율이 동일하도록 요구하는 공정성 개념을 정식화하기 위해.
• TCIM-Budget 및 TCIM-Cover 설정 모두에서 공정성을 강제하는 계산적으로 효율적인 알고리즘을 설계하기 위해.
• 공정성과 영향력 확산 성능 사이의 트레이드오프를 정량화하여 공정성의 비용이 유한함을 보여주기 위해.
• 제안된 방법을 합성 및 실세계 네트워크에서 평가하여 그룹 간 불균형이 감소함을 입증하기 위해.

제안 방법

• 시간 마감일 내에 그룹 간 영향력 비율이 동일하도록 강제하는 FairTCIM-Budget 및 FairTCIM-Cover 정식화를 도입한다.
• 공정성 제약이 있는 목표 함수를 근사하기 위해 단조 증가하는 서브모듈러스 서면 함수를 제안하여 효율적인 최적화를 가능하게 한다.
• 서브모듈러리티를 활용하여 FairTCIM-Budget 문제에 대해 (1−1/e) 근사 보장을 갖춘 그린 알고리즘을 적용한다.
• 모든 그룹이 최소 영향력 할당량을 충족하도록 보장하는 FairTCIM-Cover 문제에 대해 O(log n) 근사 비율을 갖는 그린 알고리즘을 적용한다.
• 실세계 네트워크에서 정점의 위상적 그룹을 식별하기 위해 스펙트럴 클러스터링을 사용하여 그룹 기반의 영향력 분석을 가능하게 한다.
• 공정성을 모델링하기 위해 오목 함수 H를 사용하여 그룹 간 영향력 분포가 균형을 이루도록 보장한다.

실험 결과

연구 질문

• RQ1 기존의 TCIM 알고리즘이 시간 제약 조건 하에서 사회적으로 중요한 그룹 간 영향력 격차를 얼마나 악화시키는가?
• RQ2 시간 마감일이 특히 소수 집단에 대해 영향력 확산의 공정성에 어떤 영향을 미치는가?
• RQ3 서브모듈러스 서면 목표 함수가 공정성을 효과적으로 강제하면서도 계산 효율성을 유지할 수 있는가?
• RQ4 공정성을 강제함으로써 전체 영향력 확산에 대해 어떤 성능 손실가 발생하는가?
• RQ5 그룹 크기와 연결성과 같은 네트워크 특성이 영향력 전파의 공정성에 어떤 영향을 미치는가?

주요 결과

• 제안된 FairTCIM-Budget 알고리즘은 공정성 제약 하에서 최적의 영향력 확산의 최소 (1−1/e)를 달성하며, 이론적 근사 보장을 갖춘다.
• FairTCIM-Cover 알고리즘은 공정성 제약 하에서 모든 그룹이 목표 영향력 할당량을 충족시키며, 솔루션 크기가 최적값의 O(log n) 이내임을 보장한다.
• Facebook-Snap 데이터셋에서의 실험 결과, 특히 긴급한 시간 마감일 조건에서 그룹 1과 그룹 4 간의 격차가 크게 감소함을 확인하였다.
• 공정성의 비용 — 총 영향력 확산 감소로 측정 — 는 유한하며 실증적으로도 작게 나타나, 트레이드오프가 수용 가능하다는 것을 검증하였다.
• 더 엄격한 시간 마감일은 기존의 TCIM 방법에서 공정성 격차를 악화시키며, 이는 공정성 인식 설계의 필요성을 강조한다.
• 스펙트럴 클러스터링은 영향력 격차와 상관관계가 있는 위상적 그룹 구조를 드러내며, 그룹 기반의 공정성 모델링의 타당성을 검증한다.