[论文解读] Influence Minimization Under Budget and Matroid Constraints: Extended Version

Sourav Medya, Arlei Silva+1 more|arXiv (Cornell University)|Jan 8, 2019

Complex Network Analysis Techniques参考文献 42被引用 8

一句话总结

本文提出一种数据驱动方法，通过在预算和拟阵约束下战略性地移除边来最小化社交网络中的影响传播，采用带连续松弛和舍入的子模优化。该方法提出新颖的近似算法，在减少影响方面相比基线方法提升高达40%，并具备近似质量与不可近似性边界的理论保证。

ABSTRACT

Recently, online social networks have become major battlegrounds for political campaigns, viral marketing, and the dissemination of news. As a consequence, ''bad actors'' are increasingly exploiting these platforms, becoming a key challenge for their administrators, businesses and the society in general. The spread of fake news is a classical example of the abuse of social networks by these actors. While some have advocated for stricter policies to control the spread of misinformation in social networks, this often happens in detriment of their democratic and organic structure. In this paper we study how to limit the influence of a target set of users in a network via the removal of a few edges. The idea is to control the diffusion processes while minimizing the amount of disturbance in the network structure. We formulate the influence limitation problem in a data-driven fashion, by taking into account past propagation traces. Moreover, we consider two types of constraints over the set of edge removals, a budget constraint and also a, more general, set of matroid constraints. These problems lead to interesting challenges in terms of algorithm design. For instance, we are able to show that influence limitation is APX-hard and propose deterministic and probabilistic approximation algorithms for the budgeted and matroid version of the problem, respectively. Our experiments show that the proposed solutions outperform the baselines by up to 40%.

研究动机与目标

• 为解决在不破坏网络结构的前提下限制社交媒体中虚假信息和不良行为者影响传播的挑战。
• 基于历史传播轨迹将影响最小化形式化为数据驱动问题，避免依赖特定的扩散模型。
• 在预算和拟阵约束下研究影响限制问题，实现更灵活且公平的网络修改。
• 为预算约束和拟阵约束版本设计高效的近似算法，并提供理论性能保证。
• 通过实证评估验证所提方法，展示其在真实世界数据集上的优越性能和可扩展性。

提出的方法

• 基于历史传播轨迹将影响最小化建模为子模优化问题，将影响表示为单调子模函数。
• 引入影响函数的连续松弛以实现高效优化，随后通过随机舍入和交换舍入恢复离散解。
• 为预算约束版本设计贪心算法，利用子模性获得 (1-1/e) 近似保证。
• 应用拟阵约束以确保结构公平性，避免对子网络造成不成比例的破坏，超越简单预算限制的泛化能力。
• 使用 L-归约证明 APX-难性，并为两种问题变体建立 (1-1/e) 的近似比下限。
• 采用连续贪心与舍入方案（RR 和 SR）高效计算高质量解，运行时间主要由图大小和候选边集决定。

实验结果

研究问题

• RQ1 能否基于历史传播轨迹有效建模影响最小化，而非假设特定的扩散模型？
• RQ2 在预算约束与更一般的拟阵约束下，影响最小化算法的性能有何差异？
• RQ3 在这些约束下，影响最小化可实现的近似保证是什么？理论极限又是什么？
• RQ4 所提算法与基线方法相比，在影响减少和计算效率方面表现如何？
• RQ5 所提方法能否在大规模真实网络中保持高质量解的同时实现可扩展性？

主要发现

• 所提出的连续贪心算法结合随机舍入（CG+RR）在 FXS 数据集上相比基线方法在影响减少方面提升最高达 8%。
• 在更大规模图上，CG+RR 方法相比 GRR 实现最高达 9% 的影响减少，且在 20 万节点网络上的运行时间约为 1.5 小时。
• 预算约束版本为 APX-难问题，无法在 (1-1/e) 以内的因子内近似，确立了理论极限。
• 拟阵约束版本通过连续松弛与舍入也实现了 (1-1/e) 近似保证，具有坚实的理论支持。
• 随机舍入（RR）在性能上与更复杂的交换舍入（SR）相当，但速度显著更快，使其在大规模应用中更具实用性。
• 实证结果表明，所提算法相比基线方法可将影响减少高达 40%，展现出强大的实际有效性。