Porovnání efektivity algoritmů řešících problém maximalizace vlivu

Abstract

Influence maximization is a fundamental problem in network science, for which numer- ous algorithms based of different principles have been proposed. In this work, we compare six seed-selection algorithms representing different principles for solving IM (DegreeDis- count, MLIM, IMM, DSFLA, CoFIM, and the basic greedy algorithm) across eight test scenarios. The social network models for test cases were based on graphs generated by the Erdős-Rényi, Barabási-Albert, and SBM models (both directed and undirected, with varying propagation probabilities). We evaluate two primary metrics: the spread achieved by the selected seed and the runtime. For each test case, for each pair of algo- rithms, paired t-tests per stratum were performed and it was shown that despite small absolute difference between evaluations, it is possible to statistically distinguish each pair of algorithms in most test cases. Based on this data, CoFIM and DegreeDiscount provide the best trade-off between spread quality and execution time. On the other hand, to find the best optimum without regard to computational power, IMM is the best choice.

Maximalizace šíření vlivu (MŠV) je klíčovým problémem v teorii sítí, pro který exis- tuje řada algoritmů pracujících na základě různých principů. V této práci porovnáváme šest algoritmů pro výběr seedu zastupujících různé postupy pro řešení MŠV (DegreeDis- count, MLIM, IMM, DSFLA, CoFIM a základní hladový algoritmus) na osmi testovacích scénářích. Tyto scénáře obsahují modely sociáních sítí založených na grafech generovaných modely Erdős-Rényi, Barabási-Albert a SBM (orientované i neorientované, s různými pravděpodobnostmi propagace). Hodnotíme dva základní indikátory: dosah vybraného seedu a dobu běhu algoritmu. Pro každou dvojici algoritmů pro každý testovací případ byly udělány per-stratum párové t testy, které ukázaly, že ačkoliv absolutní rozdíly mezi evaluací výsledků algoritmů nejsou velké, ve většině případů je můžeme statisticky odlišit. Na základě těchto dat se nejlepším kompromisem mezi kvalitou dosahu a rychlostí běhu ukázaly CoFIM a DegreeDiscount. Pro dosažení nejlepšího optima na neorientovaných grafech bez ohledu na výpočetní čas se nejvíce hodí IMM.