How to Influence People with Partial Incentives
-
Erik D. Demaine, MohammadTaghi Hajiaghayi, Hamid Mahini, David L. Malec, S. Raghavan, Anshul Sawant, Morteza Zadimoghadam
-
WWW 2014
概要
-
今までのinfluence maximizationは二者択一だった
-
実際には中間があるので,そういうモデルを作ったよ
-
分数版は積分版との違い
モデル
積分影響モデル(integral influence model)
-
Mossel and Rochの提案
-
f_v:2^V→[0,1]
-
θ_v∈[0,1]: しきい値
-
f_v(S)≧θ_vになったらvがactivated
-
Θ=(θ_v)を決めれば最終状態は決定する
-
$$ \sigma(S) = E_{\Theta}[ w(S_n^{\Theta}) \mid S_0 = S ] $$
-
最初にactivateするSを決めてσ(S)を最大化したい
分数影響モデル(fractional influence model)
-
上のモデルはどれをactiveにするか否かが明確に分かれているのでダサい
-
x∈[0,1]^n
-
x_v: vへの影響
-
f_v(S)+x_v≧θ_vならvがactivated
-
最初にactiveにする頂点は存在しない←新しい
-
S_1={v | x_v≧θ_v}←これが最初
-
積分モデルの上位互換
-
$$ \sigma(S) = E_{\Theta}[ w(S_n^{\Theta}) \mid \mathrm{we apply direct influences}x ] $$
-
これから…
積分モデルと分数モデルの違い
-
しきい値を固定した時には目的関数値がn倍変わる
-
一様しきい値の時には目的関数値が1-1/e倍変わる
帰着
-
定理1
-
積分モデルでwとFがnormalized, monotone, submodularならばσもnormalized, monotone, submodular
-
normalizedはσ(0)=0のこと
submodularの拡張した定義
-
定理1を分数モデルに拡張したいね
-
δ=1/N
-
Δ={0,δ,…,1}
-
σの範囲をΔ^nに制限
-
normalized: σ(0)=0
-
monotone: x≦yならばσ(x)≦σ(y)
-
submodularσ(x+δ_v)-σ(x)≧σ(y+δ_v)-σ(y)
-
定理2
-
分数モデルでwとFがnormalized, monotone, submodularならばσもnormalized, monotone, submodular
-
ただしΔ^nで離散化
-
証明が驚きの1ページ半
-
定理3
-
定理4
-
離散化した時には解の質が(1-δn)以内に保たれる
DAGS
-
GはDAG
-
f_v(S)が近傍のw_uvの和だとする
-
定理5
困難さ
-
超適当に紹介
-
定理6
-
線形(積分/分数)モデルにおいて,σ(S)≧Tが(Sの適当な制約の元で)達成できるかの判定はNP-hard
-
補題7
-
定理8
-
1-1/eより良い近似比を達成するのがNP-hard
実験
-
グラフは小さめ|E|=1.2M
-
比較手法
-
{積分版,分数版}×{次数,割引}
-
積分は{0,1}だけど分数は[0,1]で割合を考慮
-
積分ランダム + 分数一様
-
全部ソートするだけなのでnlognオーダー
-
結果: DiscountFracが最良
-
議論: 部分的な割り当てを考慮したほうが良い拡散を引き起こせる
まとめ
-
解析がすごく大変そうだけれどその辺はWWWでは評価されるんかな?
-
こっちのモデルの方が頑健性を高くできそう
-
ヒューリスティクスじゃないアルゴリズムは作るの大変そう
-
Optimizing Budget Allocation Among Channels and Influencersと関連が…?
WWW influence maximization modeling
2014-03-25 18:15:42 (Tue)
最終更新:2014年03月25日 18:15