[논문 리뷰] Online Myopic Network Covering

Konstantin Avrachenkov, Prithwish Basu외 3명|arXiv (Cornell University)|2012. 12. 20.

Complex Network Analysis Techniques참고 문헌 37인용 수 8

한 줄 요약

이 논문은 한 번의 룩어헤드를 가진 미지의 사회적 네트워크에서 네트워크 커버리지를 최대화하기 위한 게으른 온라인 알고리즘인 MEED (최대 기대 d-초과도)를 제안한다. 여기서 모집된 노드는 그들의 이웃을 드러낸다. 이 방법은 기대 커버리지를 최대화하도록 노드를 선택하며, 힘의 법칙 네트워크에서는 MOD (최대 관측도)로 단순화되며, 노드의 도수 정보가 알려지거나 추정 가능한 경우 기존의 이성적인 알고리즘보다 시뮬레이션에서 뛰어난 성능을 보인다.

ABSTRACT

Efficient marketing or awareness-raising campaigns seek to recruit $n$ influential individuals -- where $n$ is the campaign budget -- that are able to cover a large target audience through their social connections. So far most of the related literature on maximizing this network cover assumes that the social network topology is known. Even in such a case the optimal solution is NP-hard. In practice, however, the network topology is generally unknown and needs to be discovered on-the-fly. In this work we consider an unknown topology where recruited individuals disclose their social connections (a feature known as {\em one-hop lookahead}). The goal of this work is to provide an efficient greedy online algorithm that recruits individuals as to maximize the size of target audience covered by the campaign. We propose a new greedy online algorithm, Maximum Expected $d$-Excess Degree (MEED), and provide, to the best of our knowledge, the first detailed theoretical analysis of the cover size of a variety of well known network sampling algorithms on finite networks. Our proposed algorithm greedily maximizes the expected size of the cover. For a class of random power law networks we show that MEED simplifies into a straightforward procedure, which we denote MOD (Maximum Observed Degree). We substantiate our analytical results with extensive simulations and show that MOD significantly outperforms all analyzed myopic algorithms. We note that performance may be further improved if the node degree distribution is known or can be estimated online during the campaign.

연구 동기 및 목표

• 모집 시 한 번의 이웃 정보만 드러나는 미지의 사회적 네트워크에서 커버리지를 최대화하기 위한 효율적인 온라인 게으른 알고리즘을 설계하는 것.
• 실제 캠페인에서 흔히 발생하는 전체 네트워크 구조가 초기에는 알려져 있지 않은 상황에서 네트워크 커버리지 문제를 다루는 것.
• 유한한 네트워크에서 다양한 샘플링 알고리즘의 커버리지 크기에 대한 이론적 분석을 제공하는 것 — 이는 이전 연구에서의 빈도이다.
• 관측된 노드의 도수와 기대 커버리지를 활용하여 실시간으로 모집 결정을 이끄는 방법을 개발하는 것.
• 노드의 도수 분포를 알고 있거나 실행 중에 추정할 수 있을 경우 성능 향상이 크게 이루어진다는 것을 입증하는 것.

제안 방법

• 알고리즘 MEED (최대 기대 d-초과도)는 관측된 도수와 이웃 정보를 바탕으로, 다음 모집 대상이 기대 커버리지 집합의 크기를 최대화하도록 게으르게 선택한다.
• 각 후보가 현재 프론티어에서 모집될 경우에 기대되는 새로운 노드의 수를 추정하기 위해 확률 모델을 사용한다.
• 힘의 법칙 네트워크의 경우 MEED는 MOD (최대 관측도)로 단순화되며, 이는 아직 모집되지 않은 이웃 중에서 도수가 가장 높은 노드를 선택한다.
• 이 방법은 한 번의 룩어헤드에 의존하며, 각 모집된 노드는 아직 모집되지 않은 모든 이웃을 드러내어 점진적인 커버리지 확장을 가능하게 한다.
• 이론적 분석은 행렬 섭동 이론을 사용하여 기대 커버리지 크기를 근사하며, 랜덤 워크의 정적 분포를 활용한다.
• 이 접근은 교체가 있는 랜덤 워크와 교체가 없는 랜덤 워크로 확장되며, 성능은 쿠폰 부분집합 수집 모델을 통해 근사된다.

실험 결과

연구 질문

• RQ1 모집 시 한 번의 이웃 정보만 드러나는 미지의 네트워크에서 어떻게 네트워크 커버리지를 최대화할 수 있는가?
• RQ2 유한하고 미지의 네트워크에서 온라인 게으른 알고리즘이 네트워크 커버리지에 대해 이론적으로 달성 가능한 성능의 한계는 무엇인가?
• RQ3 MEED의 성능은 커버리지 크기 측면에서 무작위 보행 및 균일 선택과 같은 다른 이성적인 알고리즘과 비교해 어떻게 되는가?
• RQ4 어떤 종류의 네트워크에서 MEED는 계산적으로 효율적인 규칙인 MOD (최대 관측도)로 단순화되는가?
• RQ5 노드의 도수 분포를 안다면 온라인 네트워크 커버리지에서 성능 향상이 추가로 이루어지는가?

주요 결과

• MEED는 커버리지 크기 측면에서 분석된 모든 이성적인 알고리즘보다 뚜렷이 뛰어나며, 특히 힘의 법칙 네트워크에서 그렇다.
• 힘의 법칙 네트워크에서 MEED는 MOD로 단순화되며, 이는 관측된 도수가 가장 높은 노드를 선택하는 것으로, 거의 최적의 성능을 달성한다.
• 이론적 분석은 커버리지가 유한한 네트워크에서 시간에 따라 선형적으로 증가함을 보여주며, 이는 이론적으로 무한 모델에서 초선형 증가가 있다고 주장한 바와 모순된다.
• 랜덤 워크의 정적 분포를 사용한 근사는 시뮬레이션 결과와 매우 유사하게 일치하며, 성능 예측에 쿠폰 부분집합 수집 모델을 사용하는 것이 타당하다는 것을 검증한다.
• 노드의 도수 분포를 알고 있거나 실시간으로 추정할 경우 성능 향상이 뚜렷하게 이루어지며, 이는 도수 인식 전략이 높은 커버리지에 필수적임을 시사한다.
• 엔론 이메일 네트워크에서의 시뮬레이션은 이론적 커버리지 예측이 실측 결과와 높은 정확도로 일치함을 확인한다.