2016 Fiscal Year Annual Research Report
| Project/Area Number |
16J09440
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
大坂 直人 東京大学, 大学院情報理工学系研究科, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2016-04-22 – 2018-03-31
|
| Keywords | アルゴリズム / ネットワーク / ソーシャルネットワーク / 確率的ダイナミクス / 情報拡散 / リスク制御 |
|---|
| Outline of Annual Research Achievements |
28年度は、情報拡散現象を対象に、計算効率・現実的モデル・実用的設定の観点から、以下のグラフアルゴリズム面の研究を行い、各々査読付き国際会議論文として採択され口頭発表を行った。
【時間発展ネットワークにおける実時間追跡手法】実世界のネットワークは時間経過に伴い成長するため、効果的な解析には実時間処理という計算効率の課題が生じる。本研究は実時間拡散解析のための完全動的索引手法を初めて提案した。
【時間減衰現象を導入した情報拡散モデル】多くの情報拡散モデルでは情報の伝わりやすさを表す辺確率が時間変化に関わらず一定だが、現実には減衰する。本研究は辺確率に時間減衰効果を導入した情報拡散モデルとその解析手法を開発した。
【拡散現象の活用に伴うリスクを回避するためのポートフォリオ最適化手法】情報拡散は確率的現象であるため、既存の枠組みは情報拡散の大きさの期待値の最大化を目的としていた。期待値は最適化しやすい一方、実用上は"無視できない確率で情報流布失敗に繋がるリスク"がある。そこで、本研究は新たにConditional Value at Risk (CVaR)という金融経済・保険数理のリスク尺度を導入した。CVaRは連続最適化では扱いやすいが、離散最適化ではある種の困難性が知られている。そこで、CVaR最大化のための新たなポートフォリオ最適化手法を提案した。計算機実験により、提案手法がリスク回避の意味で既存の期待値最大化手法を上回る事を示した。
【超巨大ネットワーク解析のための効率的なグラフ縮小手法】現実の巨大ネットワークはしばしば数百億辺以上を持ち計算機のメモリには乗り切らないため、既存手法の素朴な適用には限界がある。本研究は、拡散解析に関する性質を保ちつつグラフを縮小する操作とその効率的手法を提案し、計算機実験により数百億辺を有するグラフを効果的に縮小できることを確認した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
グラフ上の基本的なダイナミクスである情報拡散現象の制御に関して、リスク指標 (Conditional Value at Risk) を導入した新たな問題に対する最適化手法を開発し、計算機実験により既存の枠組みでは捉えきれないリスクを開発手法により改善できることを示した。これは目標の一つであった不確実性を有する実グラフにおけるリスク制御を達成している。さらに、計算効率に対する取組みとして、実時間処理を可能とする索引や超巨大データの縮小技術など、新しい方向性を打ち出した。以上は当初の計画以上の進展といえる。
|
| Strategy for Future Research Activity |
まず、その他のリスク尺度の検討が挙げられる。Conditional Value at Riskという一つの代表的リスク指標のポートフォリオ最適化が可能であることを示した一方、問題設定の妥当性は応用先・文脈に大きく依存する。得られた研究成果を基に、「どのような解表現・リスク指標が望ましいか」をさらに吟味し、より汎用的な枠組みを視野に入れつつ、その最適化手法の開発を目指す。次に、最適化指標そのものの計算効率化が挙げられる。確率的ダイナミクスを含む最適化指標の計算問題の多くは困難性を伴い、これは本研究にも当てはまる。最適化指標を近似的に推定するためには依然としてナイーブなシミュレーションが用いられているが、それらは巨大なデータを扱いきれない。したがって、効率的高精度計算手法の開発を目指し、データ全体が手に入らない現実的な設定に対応しうる局所的計算も検討していく。
|
-
-
-
-
[Journal Article] Maximizing Time-Decaying Influence in Social Networks2016
Author(s)
Naoto Ohsaka, Yutaro Yamaguchi, Naonori Kakimura, and Ken-ichi Kawarabayashi
-
Journal Title
Proceedings of the 26th European Conference on Machine Learning and 19th Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD'16)
Volume: －
Pages: 132--147
DOI
Peer Reviewed / Acknowledgement Compliant
-
