[논문 리뷰] Submodular Inference of Diffusion Networks from Multiple Trees

Manuel Gomez-Rodriguez, Bernhard Sch lkopf|arXiv (Cornell University)|2012. 05. 08.

Complex Network Analysis Techniques참고 문헌 24인용 수 41

한 줄 요약

이 논문은 다수의 확산 캐스케이드에서 가능한 모든 전파 트리를 고려하여 확산 네트워크를 추론하기 위한 확장 가능한 서브모듈러 최적화 알고리즘을 제안한다. 이는 증명 가능 보장이 있는 근사 최적 성능을 달성하며, 기존 방법보다 정확도와 속도에서 뛰어나며, 특히 낮은 캐스케이드 데이터에서 뛰어난 성능을 보인다. 비록 트리 공간이 초초기수이지만, 이 알고리즘은 이차 시간 복잡도로 실행된다.

ABSTRACT

Diffusion and propagation of information, influence and diseases take place over increasingly larger networks. We observe when a node copies information, makes a decision or becomes infected but networks are often hidden or unobserved. Since networks are highly dynamic, changing and growing rapidly, we only observe a relatively small set of cascades before a network changes significantly. Scalable network inference based on a small cascade set is then necessary for understanding the rapidly evolving dynamics that govern diffusion. In this article, we develop a scalable approximation algorithm with provable near-optimal performance based on submodular maximization which achieves a high accuracy in such scenario, solving an open problem first introduced by Gomez-Rodriguez et al (2010). Experiments on synthetic and real diffusion data show that our algorithm in practice achieves an optimal trade-off between accuracy and running time.

연구 동기 및 목표

• 동적 네트워크에서 제한된 확산 캐스케이드로부터 확장 가능한 네트워크 추론 문제를 해결하기 위해.
• 각 캐스케이드당 가장 가능성이 높은 전파 트리만 고려하는 NetInf와 같은 기존 방법보다 정확도를 향상시키기 위해.
• 다수의 캐스케이드에 걸쳐 초기수의 가능한 전파 트리 수를 효율적으로 처리할 수 있는 방법을 개발하기 위해.
• 서브모듈러성을 이용해 근사 최적 추론 성능를 달성하고, 증명 가능한 이론적 보장을 확보하기 위해.
• 오직 소수의 관측된 캐스케이드만으로도 대규모 네트워크(예: 100,000+ 노드)에서 추론을 가능하게 하기 위해.

제안 방법

• 이 방법은 각 관측된 캐스케이드를 설명하는 가능한 모든 방향성 스패닝 트리에 대한 생성 과정으로서 확산을 모델링한다.
• 네트워크 추론 문제를 가능한 모든 간선 집합 위에서의 서브모듈러 최대화 문제로 공식화한다.
• 목적 함수가 서브모듈러리하다는 것이 증명되었으며, 이는 (1-1/e)-근사 보장을 갖는 효율적 그릿지 최적화를 가능하게 한다.
• 알고리즘은 레이지 평가를 사용하고 국소적 구조를 활용하여 계산을 가속화한다.
• 모서리 이득을 간선별로 점진적으로 계산하고, 양의 이득을 가진 간선들만 추가하여 수렴할 때까지 반복한다.
• NetInf와 달리, 각 캐스케이드가 지지하는 모든 트리를 고려한다.

실험 결과

연구 질문

• RQ1 다이나믹하고 대규모 네트워크에서 소수의 캐스케이드로도 높은 정확도의 네트워크 추론을 달성할 수 있는가?
• RQ2 모든 가능한 전파 트리의 초기수 공간을 효율적으로 최적화할 수 있는가?
• RQ3 가장 가능성이 높은 트리가 아니라 모든 트리를 고려하는 것이, MAP 트리만 고려하는 방법보다 더 높은 추론 정확도를 제공하는가?
• RQ4 서브모듈러 최적화가 이 설정에서 확장성과 이론적 성능 보장을 동시에 제공할 수 있는가?
• RQ5 제안된 방법은 NetRate와 ConNIe와 같은 볼록 최적화 기반 방법과 비교해 정확도와 속도에서 어떻게 성능을 내는가?

주요 결과

• 실제 하이퍼링크 데이터에서 제안된 방법은 NetInf, NetRate, ConNIe보다 더 높은 리콜을 달성하여 진짜 네트워크 간선의 커버리지가 더 우수하다는 것을 보여준다.
• 합성 실험에서는 소수의 캐스케이드만 존재할 때 NetInf와 NetRate보다 정확도에서 뛰어난 성능을 보였다.
• 100,000개 노드의 네트워크에 10,000개의 캐스케이드가 존재할 경우, 간선 1개 추가당 약 10.12ms의 실행 시간을 기록하여 높은 확장성을 입증했다.
• NetInf와 NetRate보다 약 10배 빠르며, ConNIe보다도 뚜렷이 더 빠른 속도를 보였다. 이는 그릿지 서브모듈러 최적화 덕분이다.
• 모든 가능한 트리를 고려하고 있음에도 불구하고, 효율적인 서브모듈러 최적화 덕분에 NetInf(가장 가능성이 높은 트리만 고려)와 유사한 실행 시간을 기록했다.
• 모서리 이득을 통해 간선의 중요도를 측정할 수 있어, 전파 속도 추정 없이도 해석 가능성을 제공한다.