[논문 리뷰] Scalable Influence Estimation Without Sampling

Andrey Y. Lokhov, David Saad|arXiv (Cornell University)|2019. 12. 29.

Complex Network Analysis Techniques참고 문헌 60인용 수 9

한 줄 요약

이 논문은 몬테카를로 샘플링 없이도 영향력 추정을 위한 확장 가능한 동적 메시지 전달(DMP) 알고리즘을 제안한다. 노드당 선형 시간 복잡도를 달성하며, 나무 구조 그래프에서는 정확한 결과를 제공하고, 순환을 포함한 네트워크에서는 영향력 확산의 상한을 제공한다. 독립 캐스케이드(IC) 및 선형 임계치(LT) 모델 모두에서 샘플링 기반 방법에 비해 속도와 정확도 면에서 뚜렷한 우수성을 보인다.

ABSTRACT

In a diffusion process on a network, how many nodes are expected to be influenced by a set of initial spreaders? This natural problem, often referred to as influence estimation, boils down to computing the marginal probability that a given node is active at a given time when the process starts from specified initial condition. Among many other applications, this task is crucial for a well-studied problem of influence maximization: finding optimal spreaders in a social network that maximize the influence spread by a certain time horizon. Indeed, influence estimation needs to be called multiple times for comparing candidate seed sets. Unfortunately, in many models of interest an exact computation of marginals is #P-hard. In practice, influence is often estimated using Monte-Carlo sampling methods that require a large number of runs for obtaining a high-fidelity prediction, especially at large times. It is thus desirable to develop analytic techniques as an alternative to sampling methods. Here, we suggest an algorithm for estimating the influence function in popular independent cascade model based on a scalable dynamic message-passing approach. This method has a computational complexity of a single Monte-Carlo simulation and provides an upper bound on the expected spread on a general graph, yielding exact answer for treelike networks. We also provide dynamic message-passing equations for a stochastic version of the linear threshold model. The resulting saving of a potentially large sampling factor in the running time compared to simulation-based techniques hence makes it possible to address large-scale problem instances.

연구 동기 및 목표

• 대규모 네트워크에서 영향력 추정에 있어 몬테카를로 샘플링의 높은 계산 비용을 해결하기 위해.
• 독립 캐스케이드(IC) 및 선형 임계치(LT) 모델에서 영향력 확산을 정확하게 추정할 수 있는 분석적 방법을 개발하기 위해.
• 빠르고 확장 가능하며 정확한 영향력 함수 추정을 통해 효율적인 영향력 최대화를 가능하게 하기 위해.
• 고정된 시드 세트를 초월하여 확률적 노드 활성화를 포함한 임의의 초기 시드 조건을 처리하기 위해.
• 비용이 많이 드는 샘플링에 의존하는 것을 줄이고, 이론적 보장이 있는 결정론적이고 저비용의 대안을 제공하기 위해.

제안 방법

• 영향력 전파의 정확한 요인 분해를 활용하여, 나무 구조 그래프에서 국소 활성 확률을 추정하기 위한 동적 메시지 전달 방정식을 유도한다.
• 순환을 포함한 그래프에 대해, 순환 신뢰 전파 근사법을 통해 나무 기반 메시지 전달 프레임워크를 확장함으로써, 간선 수에 대해 선형 시간 복잡도를 유지한다.
• 유한 수렴 및 무한 수렴 영향력 추정을 위한 DMPest 및 DMPinf 알고리즘을 도입하며, 나무 구조에서는 정확성, 일반 그래프에서는 상한을 제공한다.
• 이웃에서 오는 메시지들의 곱으로서, 노드가 비활성 상태로 남아 있을 확률을 모델링함으로써 시간에 따라 변화하는 활성화 역학을 고려한다.
• 노드별 초기 활성화 확률 $p_i(0)$를 메시지 전달 프레임워크에 통합함으로써, 확률적 초기 조건을 처리한다.
• 스토케스틱 선형 임계치 모델에 대한 동적 메시지 전달 방정식을 제공함으로써, IC 모델을 초월한 방법의 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 몬테카를로 샘플링 없이도 정확성과 확장성을 유지하면서 영향력 추정을 수행할 수 있는가?
• RQ2 샘플링을 피하는 분석적 영향력 추정 방법의 계산 복잡도는 무엇인가?
• RQ3 제안된 DMP 방법은 나무 구조 네트워크에서는 정확한 결과를 제공하고, 일반(순환 포함) 그래프에서는 상한을 제공하는가?
• RQ4 임의의 초기 시드 조건, 특히 노드의 확률적 활성화 조건 하에서 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 DMP 프레임워크는 확률적 임계치를 가진 선형 임계치 모델로 확장될 수 있는가?

주요 결과

• 제안된 DMP 기반 영향력 추정 방법은 단일 몬테카를로 시뮬레이션과 동일한 계산 복잡도를 가지며, 샘플링 기반 접근 방식에 비해 뚜렷한 속도 향상을 이룬다.
• 이 방법은 나무 구조 그래프에서는 정확한 영향력 추정을 제공하고, 일반적인 순환 그래프에서는 상한을 제공함으로써 이론적 신뢰성을 확보한다.
• 독립 캐스케이드 모델에서 DMPest 및 DMPinf는 간선 수에 대해 선형 스케일링을 달성하여 대규모 네트워크에 적합하다.
• 수치 실험을 통해 높은 정확도와 확장성을 입증하였으며, 이는 속도와 정밀도 면에서 샘플링 기법을 뛰어넘는다.
• 이 방법은 확률적 초기 시드 조건으로 일반화되어, 현실 세계의 예산 제약이 있는 영향력 캠페인을 위한灵活性 있는 모델링을 가능하게 한다.
• 스토케스틱 선형 임계치 모델로의 확장은 동적 메시지 전달 방정식을 통해 달성되었으며, 이로써 방법의 적용 범위가 넓어졌다.