[论文解读] DANI: A Fast Diffusion Aware Network Inference Algorithm

Maryam Ramezani, Hamid R. Rabiee+2 more|arXiv (Cornell University)|Jun 3, 2017

Complex Network Analysis Techniques参考文献 41被引用 3

一句话总结

DANI 是一种新颖的网络推断算法，能够从扩散级联数据中重建社交网络拓扑结构，同时保持社区结构，采用一种具有扩散感知能力且保留社区结构的优化框架。与最先进的方法如 NETINF、DNE 和 MultiTree 相比，DANI 在真实和合成网络上均实现了更高的准确率和显著更快的运行速度。

ABSTRACT

The fast growth of social networks and their privacy requirements in recent years, has lead to increasing difficulty in obtaining complete topology of these networks. However, diffusion information over these networks is available and many algorithms have been proposed to infer the underlying networks by using this information. The previously proposed algorithms only focus on inferring more links and do not pay attention to the important characteristics of the underlying social networks In this paper, we propose a novel algorithm, called DANI, to infer the underlying network structure while preserving its properties by using the diffusion information. Moreover, the running time of the proposed method is considerably lower than the previous methods. We applied the proposed method to both real and synthetic networks. The experimental results showed that DANI has higher accuracy and lower run time compared to well-known network inference methods.

研究动机与目标

• 解决现有网络推断方法在推断网络中无法保持关键结构特性（如社区结构）的局限性。
• 开发一种可扩展且高效的推断算法，利用扩散级联数据（感染时间）重建准确的网络拓扑结构。
• 确保推断网络保持现实的社区级特性，如度分布、聚类系数和模块度，以支持下游应用。
• 与 NETINF、DNE 和 MultiTree 等现有方法相比，降低计算成本的同时提高推断准确率。
• 通过保持结构保真度，使推断网络上的社区检测能够可靠进行。

提出的方法

• DANI 将网络推断建模为一个优化问题，将社区结构约束整合到推断过程中。
• 它使用随机过程模型来模拟扩散动态，并将推断的网络边与观测到的感染时间级联对齐。
• 该算法应用一种保留社区的正则化项，以鼓励推断社区内部的密集连接和跨社区的稀疏连接。
• 它采用贪心优化策略，基于级联观测和社区保真度，迭代优化推断网络结构。
• DANI 将社区检测作为验证步骤，使用如导电性（conductance）和模块度等指标比较推断社区与真实社区。
• 该方法设计为与级联长度无关，确保在不同级联持续时间下性能一致。

实验结果

研究问题

• RQ1 当仅能获取扩散级联数据时，网络推断算法能否保持底层社交网络的社区结构？
• RQ2 在推断中引入社区结构约束，如何影响网络推断的准确率和效率？
• RQ3 DANI 在重建网络拓扑和保持结构特性方面，与 NETINF、DNE 和 MultiTree 等现有方法相比，优势有多大？
• RQ4 DANI 的性能是否在不同级联长度和网络类型下保持稳定？
• RQ5 如果保持结构保真度，是否可以对推断网络可靠地应用社区检测？

主要发现

• 在 News of the World 数据集上，DANI 相较于 DNE 提高了 15.84% 的 F1 分数，相较于 MultiTree 提高了 94.83%，相较于 NETINF 提高了 14.48%。
• 在 NetScience 数据集上，与次优方法相比，DANI 将推断网络与原始网络之间的社区数量差异降低了 12.8%。
• 在 LinkedIn 数据集上，DANI 在 PWF（加权 F1 的精确率）方面相较 DNE 平均提高了 29.08%，相较 NETINF 提高了 67.72%。
• DANI 推断的网络密度为 0.0232，远比 DNE 的 0.0433 更接近原始网络的 0.0403，表明其具有更好的结构保真度。
• DANI 的导电性值始终接近原始网络，方差仅为 0.00006，表明其社区质量稳定。
• DANI 在保持聚类系数和度分布方面优于所有基线方法，在 NetScience 上相较 DNE 的聚类系数偏差降低了 35.9%。