[论文解读] Network Infusion to Infer Information Sources in Networks

Soheil Feizi, Muriel Médard+3 more|arXiv (Cornell University)|Jun 23, 2016

Complex Network Analysis Techniques参考文献 29被引用 15

一句话总结

本文提出网络注入（Network Infusion, NI），一种新颖的方法，通过构建近似标准模型的扩散核，实现对网络中信息扩散源的推断，同时支持通过似然最大化或误差最小化进行可 tractable 的反演。NI 实现了平均场最优性，并在合成网络和真实网络中均优于现有方法，包括在 Digg 社交网络上的新闻源推断。

ABSTRACT

Several significant models have been developed that enable the study of diffusion of signals across biological, social and engineered networks. Within these established frameworks, the inverse problem of identifying the source of the propagated signal is challenging, owing to the numerous alternative possibilities for signal progression through the network. In real world networks, the challenge of determining sources is compounded as the true propagation dynamics are typically unknown, and when they have been directly measured, they rarely conform to the assumptions of any of the well-studied models. In this paper we introduce a method called Network Infusion (NI) that has been designed to circumvent these issues, making source inference practical for large, complex real world networks. The key idea is that to infer the source node in the network, full characterization of diffusion dynamics, in many cases, may not be necessary. This objective is achieved by creating a diffusion kernel that well-approximates standard diffusion models, but lends itself to inversion, by design, via likelihood maximization or error minimization. We apply NI for both single-source and multi-source diffusion, for both single-snapshot and multi-snapshot observations, and for both homogeneous and heterogeneous diffusion setups. We prove the mean-field optimality of NI for different scenarios, and demonstrate its effectiveness over several synthetic networks. Moreover, we apply NI to a real-data application, identifying news sources in the Digg social network, and demonstrate the effectiveness of NI compared to existing methods. Finally, we propose an integrative source inference framework that combines NI with a distance centrality-based method, which leads to a robust performance in cases where the underlying dynamics are unknown.

研究动机与目标

• 解决在真实网络中源推断的挑战，其中真实的扩散动力学通常未知或不符合标准模型。
• 克服现有方法的局限性，这些方法需要精确掌握扩散动力学，或依赖于无理论保证的启发式中心性度量。
• 在同质与异质扩散条件下，开发一种可扩展且鲁棒的单源与多源推断方法。
• 通过避免对扩散动力学的完整表征，转而聚焦于可逆扩散核的近似，实现在大规模复杂网络中的实用源推断。
• 将 NI 与距离中心性结合，构建一种混合框架，在底层动力学不确定时保持鲁棒性。

提出的方法

• 提出一种基于路径的网络扩散核，能紧密逼近 SI 等标准连续时间扩散模型，实现可 tractable 的反演。
• 将源推断建模为在扩散核上的似然最大化或误差最小化问题，支持高效优化。
• 设计一种在构造上可逆的扩散核，避免对完整动力学特性的依赖。
• 将该方法应用于单次快照与多次快照观测，支持同质与异质扩散设置。
• 提出一种整合框架，将 NI 与距离中心性结合，以增强在模型不确定情况下的鲁棒性。
• 利用平均场近似与概率界，证明在不同网络拓扑与源配置下，该方法的最优性与一致性。

实验结果

研究问题

• RQ1 能否构建一种扩散核，使其在近似标准模型的同时保持可逆性，从而在无需完整掌握动力学知识的前提下实现源推断？
• RQ2 在已知扩散动力学的合成网络中，NI 相较于现有方法在准确率与鲁棒性方面表现如何？
• RQ3 在真实场景中，当扩散动力学未知或非标准时（如社交媒体中的新闻传播），NI 的性能如何？
• RQ4 当真实扩散模型不确定时，将 NI 与距离中心性结合是否能提升源推断的鲁棒性？
• RQ5 NI 在不同网络与扩散条件下，其性能在平均场最优性方面可提供哪些理论保证？

主要发现

• NI 在各种网络与扩散条件下，对单源与多源扩散均实现了平均场最优性。
• NI 在 Digg 社交网络中识别新闻源方面显著优于现有方法，证明了其在真实数据上的实际有效性。
• 即使在底层扩散动力学未知或不符合标准模型时，该方法仍能保持高准确率，尤其在与距离中心性结合时表现更优。
• 理论分析证明，在非一致源假设下，真实源节点的期望损失低于其邻域内任意其他节点的损失。
• NI 的计算复杂度被限制在 O(|V^t|(k|E| + kn log n + mn))，使其在路径长度 k 与迭代次数 m 适中时可扩展至大规模网络。
• 实验结果表明，在约 65% 的 Digg 新闻故事中，真实源未被直接观测到，但 NI 通过建模间接传播路径成功推断出源。