The Importance of Communities for Learning to Influence
-
Eric Balkanski, Nicole Immorlica, Yaron Singer
-
NIPS 2017
概要
アルゴリズム COmmunity Pruning from Samples
設定
-
無向なので、基本的に連結成分の大きさ(の和)の期待値が影響力になる
-
underlyingなグラフがSBMだったりするのを考える
記述
-
一次貢献の降順に頂点を整列
-
一次貢献 := ランダム集合(vを含まぬ)にvを追加したときの増加量の期待値
-
頂点aを順番に走査し、走査済みのある頂点bと重複が大きいなら、aを除く
-
二次貢献 := "aを含まず" AND "bを含む"ランダム集合にaを足したときの増加量の期待値
-
これが一次貢献よりも相対的に小さい→bがあれば良いので、aはほぼ無意味
-
前からk頂点を返す
解析
強い仮定
-
コミュニティ間を結ぶ辺が無い
-
SBMに従ってグラフが生成し、そこからランダムグラフ
-
つまり、コミュニティC内の辺は確率「p_C := (SBの確率)×(ICの確率)」で残る
-
p_C > 3log|C|/|C| (dense)
-
シード集合はめちゃ小さい
-
結果: 一次貢献はほぼコミュニティの大きさ、二次貢献も良さげな結果、組み合わせると、1-o(1)近似
弱い仮定
-
コミュニティ内 p_C >= (1+ε)/|C| (tight)
-
コミュニティ間 p_C <= (1-ε)/|C| (loose)
実験
-
SBM, ER, PA, Facebook, DBLP
まとめ
-
めっちゃ仮定が強いが良さそうではある
-
辺確率が定数なのは仕方ないかな…。
-
基本的にランダムサンプリングができている前提のモデルだが、もうちょっと良さげなのはないかしら?
NIPS OPS 劣モジュラ 影響最大化
2018/09/16
最終更新:2018年09月17日 23:44