[論文レビュー] Time is What Prevents Everything from Happening at Once: Propagation Time-conscious Influence Maximization

Hui Li, Sourav S. Bhowmick+2 more|arXiv (Cornell University)|May 31, 2017

Complex Network Analysis Techniques参考文献 11被引用数 3

ひとこと要約

本稿では、影響拡散中のネットワーク進化を考慮する時間に配慮した影響最大化フレームワーク、Proteus-IMを提案する。greedyアルゴリズム（proteus-genie）と逆到達可能集合に基づく手法（proteus-seer）を用い、現在のネットワークにおけるシード選定を、将来に進化するネットワークにおける影響拡散を最大化するように行う。実験の結果、両手法とも古典的手法を上回る影響拡散の質を達成しており、proteus-seerは速度と性能の優れたバランスを実現している。

ABSTRACT

The influence maximization (IM) problem as defined in the seminal paper by Kempe et al. has received widespread attention from various research communities, leading to the design of a wide variety of solutions. Unfortunately, this classical IM problem ignores the fact that time taken for influence propagation to reach the largest scope can be significant in realworld social networks, during which the underlying network itself may have evolved. This phenomenon may have considerable adverse impact on the quality of selected seeds and as a result all existing techniques that use this classical definition as their building block generate seeds with suboptimal influence spread. In this paper, we revisit the classical IM problem and propose a more realistic version called PROTEUS-IM (Propagation Time conscious Influence Maximization) to replace it by addressing the aforementioned limitation. Specifically, as influence propagation may take time, we assume that the underlying social network may evolve during influence propagation. Consequently, PROTEUSIM aims to select seeds in the current network to maximize influence spread in the future instance of the network at the end of influence propagation process without assuming complete topological knowledge of the future network. We propose a greedy and a Reverse Reachable (RR) set-based algorithms called PROTEUS-GENIE and PROTEUS-SEER, respectively, to address this problem. Our algorithms utilize the state-of-the-art Forest Fire Model for modeling network evolution during influence propagation to find superior quality seeds. Experimental study on real and synthetic social networks shows that our proposed algorithms consistently outperform state-of-the-art classical IM algorithms with respect to seed set quality.

研究の動機と目的

• 影響拡散中にネットワークが静的であると仮定する古典的手法の限界に対処すること。これは動的SNSにおいて現実的ではない。
• 影響拡散中のネットワーク進化をForest Fire Modelを用いてモデル化し、将来のネットワーク状態におけるより正確なシード選定を可能にする。
• 現在のネットワークにおいて、将来に進化するネットワークにおける影響拡散を最大化する高品質なシード集合を効率的に選択するアルゴリズムを開発すること。
• 実世界の時間的ダイナミクスを反映する新しいベンチマークを提供し、古典的手法に比べてシードの質を向上させること。

提案手法

• 影響拡散に非無視可能な時間がかかると仮定する、影響最大化の新規定式化であるProteus-IMを提案する。
• 影響拡散中の将来のネットワークトポロジーを予測するためにForest Fire Modelを用い、進化する影響カスケードのシミュレーションを可能にする。
• ネットワーク進化をIステップにわたりシミュレートし、最終的に進化したネットワークにおける影響拡散に基づいてシードを選択するgreedyアルゴリズムであるproteus-genieを設計する。
• 完全なシミュレーションを避けるために、予測された将来のネットワーク上で逆方向の影響パスをサンプリングする、逆到達可能集合に基づくアルゴリズムであるproteus-seerを設計する。これにより、効率性が向上する。
• 既存のカスケードモデル（例：Independent Cascade）にネットワーク進化予測を統合し、動的トポロジー下での影響拡散を計算する。
• 確率的フレームワークを用いて、将来のネットワークのトポロジーを完全に把握しなくても、影響拡散を推定する。

実験結果

リサーチクエスチョン

• RQ1 影響拡散中のネットワーク進化は、古典的手法におけるシード選定の質にどのように影響するか？
• RQ2 ネットワーク進化を拡散中にモデル化することで、静的ネットワークを仮定するのではなく、影響拡散の質を向上させられるか？
• RQ3 ネットワーク進化を考慮したシード選定において、影響拡散の質と計算効率のトレードオフはどのようなものか？
• RQ4 予測される将来のネットワークインスタンス数（I）が、提案手法のパフォーマンスに与える影響は何か？
• RQ5 逆到達可能集合に基づくアプローチは、greedyシミュレーションに比べて実行時間を短縮しつつも、高い影響拡散の質を維持できるか？

主な発見

• 提案されたproteus-genieおよびproteus-seerは、実世界および合成ネットワークの両方で、最先端の古典的手法を常に上回る影響拡散の質を達成している。
• proteus-seerは、最大のネットワークにおいて1時間以内にほぼ最適な影響拡散の質を達成し、速度と性能の優れたバランスを実現している。
• 予測される将来のネットワークインスタンス数（I）を増やすことでシードの質が向上するが、I = 500を超えると利得の増加が鈍り、1%未満の向上にとどまる。
• irieleやimmといった高速な古典的手法に対比して、proteus-seerの影響拡散の質は一貫して優れており、実用的応用においてシードの質が最重要であることを裏付けている。
• proteus-genieの実行時間はIにほぼ線形に増加し、理論的分析の妥当性が裏付けられるとともに、スケーラビリティの制約が確認された。
• Forest Fire Modelを用いたネットワーク進化予測により、動的SNSの正確なモデル化が可能となり、シード選定の現実性と有効性が向上した。