[논문 리뷰] Robust Influence Maximization

Wei Chen, Tian Lin외 3명|arXiv (Cornell University)|2016. 01. 25.

Complex Network Analysis Techniques참고 문헌 7인용 수 12

한 줄 요약

이 논문은 표준 영향력 확산 최적화에서 심각하게 성능을 떨어뜨릴 수 있는 간선 영향력 확률 추정의 불확실성 문제를 다루기 위해 강건한 영향력 확산(Robust Influence Maximization, RIM)을 제안한다. LUGreedy 알고리즘을 도입하여 해에 따라 달라지는 성능 상한을 제공하고, 정보 유량 기반 적응형 샘플링이 균일 샘플링보다 매개변수 불확실성을 더 효과적으로 줄여 강건성을 크게 향상시킴을 입증한다.

ABSTRACT

In this paper, we address the important issue of uncertainty in the edge influence probability estimates for the well studied influence maximization problem --- the task of finding $k$ seed nodes in a social network to maximize the influence spread. We propose the problem of robust influence maximization, which maximizes the worst-case ratio between the influence spread of the chosen seed set and the optimal seed set, given the uncertainty of the parameter input. We design an algorithm that solves this problem with a solution-dependent bound. We further study uniform sampling and adaptive sampling methods to effectively reduce the uncertainty on parameters and improve the robustness of the influence maximization task. Our empirical results show that parameter uncertainty may greatly affect influence maximization performance and prior studies that learned influence probabilities could lead to poor performance in robust influence maximization due to relatively large uncertainty in parameter estimates, and information cascade based adaptive sampling method may be an effective way to improve the robustness of influence maximization.

연구 동기 및 목표

• 추정된 간선 영향력 확률의 불확실성으로 인해 영향력 확산 성능이 심각하게 떨어질 수 있는 핵심 문제를 해결하기 위해.
• 매개변수 불확실성 하에서 최악의 경우에 영향력 확산이 최적의 시드 세트에 비해 얼마나 잘 이루어지는지를 최대화하는 새로운 문제인 강건한 영향력 확산(Robust Influence Maximization, RIM)을 정식화하기 위해.
• 불확실성 하에서도 증명 가능한 성능 상한을 제공하는 알고리즘을 설계하기 위해, 특히 LUGreedy 알고리즘에 대해 해에 따라 달라지는 상한을 제공하기 위해.
• 매개변수 불확실성을 줄이고 영향력 확산의 강건성을 향상시키기 위한 샘플링 전략—균일 샘플링과 적응형 샘플링—을 조사하기 위해.
• 기존의 학습 기반 방법이 높은 불확실성으로 인해 악영향을 미칠 수 있음을 실증적으로 검증하고, 특히 정보 유량 기반 적응형 샘플링이 강건성을 크게 향상시킴을 입증하기 위해.

제안 방법

• 간선 확률 간격의 매개변수 공간 $ \Theta $ 에 대해 최악의 경우 비율을 최대화하는 RIM을 정식화한다: $ g(\Theta, S) = \min_{\theta \in \Theta} \frac{\sigma_\theta(S)}{\sigma_\theta(S^*_\theta)} $.
• 해에 따라 달라지는 성능 상한을 제공하는 LUGreedy 알고리즘을 제안하여, 시드 선택 이후 강건성을 검증할 수 있도록 한다.
• 매개변수 공간 $ \Theta $ 를 좁혀 불확실성을 줄이기 위해 균일 샘플링(US-RIM)과 적응형 샘플링(ICS-RIM)을 도입한다.
• 정보 유량에서 자주 통과하는 간선을 우선순위로 삼는 정보 유량 기반 적응형 샘플링 히우리스틱(ICS-RIM)을 설계하여 더 효과적인 샘플링을 가능하게 한다.
• 최악의 매개변수 하에서 선택된 시드 세트와 최적 세트 간의 상대적 성능 격차를 측정하는 갭 비율 $ \alpha(\Theta) $ 를 강건성 지표로 사용한다.
• 이론적 분석을 통해 균일 샘플링의 샘플 복잡도 상한을 유도하고, 실제 네트워크(NetHEPT, Flixster)에서의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 간선 영향력 확률의 매개변수 불확실성은 표준 영향력 확산 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ2 간선 확률 추정의 불확실성에 강건한 영향력 확산 알고리즘을 설계할 수 있으며, 그 성능 보장은 무엇인가?
• RQ3 균일 샘플링과 적응형 샘플링 전략은 매개변수 불확실성을 줄이고 영향력 확산의 강건성을 향상시키는 데 얼마나 효과적인가?
• RQ4 정보 유량 기반 적응형 샘플링은 균일 샘플링보다 영향력 확산의 강건성을 향상시키는 데 뛰어난가?
• RQ5 학습 기반 간선 확률 추정의 영향력에 대해 강건성에 어떤 영향을 미치며, 샘플링 전략은 그로 인한 불확실성을 완화할 수 있는가?

주요 결과

• 매개변수 불확실성은 영향력 확산 성능을 심각하게 악화시키며, 기존의 학습 기반 방법은 추정된 간선 확률의 큰 신뢰구간으로 인해 종종 낮은 강건성을 보인다.
• 신뢰구간의 폭이 커질수록 강건 비율이 급격히 감소함을 확인하여, 매개변수 불확실성에 매우 민감함을 입증한다.
• 정보 유량 기반 적응형 샘플링(ICS-RIM)은 샘플 크기가 증가할수록 균일 샘플링과 다른 적응형 기반 알고리즘보다 뛰어난 성능을 보이며, 핵심 간선의 더 나은 커버리지 덕분이다.
• 기본 기반 알고리즘인 OES-RIM은 시드 세트의 출발 간선에 집중하여 샘플링을 수행함으로써 많은 핵심 간선가 잘 추정되지 않아 성능이 열악하다.
• 갭 비율 $ \alpha(\Theta) $ 는 강건성에 대한 신뢰할 수 있는 지표이며, 다양한 샘플링 알고리즘과 샘플 크기에서 상대적 성능을 일관되게 반영한다.
• NetHEPT, Flixster(Topic 8), Flixster(Mixed)에서의 실증 결과는 일관된 경향을 보이며, 샘플 크가 증가할수록 $ \alpha(\Theta) $ 와 $ \bar{\alpha}(\Theta) $ 가 모두 증가하고, ICS-RIM이 가장 높은 강건성을 확보한다.