공정 영향 최대화의 새로운 두 단계 최적화: 최대 최소 제약을 위한 효율적 근사 알고리즘

초록

본 논문은 최대 최소(maximin) 공정성 제약을 갖는 영향 최대화(FIM) 문제를 해결하기 위해, 그룹 내부 최적화를 위한 IMM 기반의 Inner‑group Maximization(IGM)과, 그룹 간 조정을 위한 Across‑group Maximization(AGM) 두 단계 프레임워크를 제안한다. IGM은 각 그룹의 내부 확산 함수가 서브모듈러임을 증명하고, 이를 이용해 그리디 방식으로 고품질 시드 집합을 생성한다. AGM은 Uniform Selection(AGM‑US)과 Greedy Selection(AGM‑GS) 두 전략을 제공하며, 각각 그룹 구조에 관계없이 약 1/m·(1‑1/e‑ε)와, 그룹이 완전히 분리된 경우 (1‑1/e‑ε) 근사 비율을 보장한다. 실험 결과 AGM‑GS가 실용적으로 우수함을 확인하였다.

상세 분석

본 연구는 공정 영향 최대화(Fair Influence Maximization, FIM)에서 가장 직관적인 공정성 기준인 최대 최소(maximin) 제약을 효율적으로 다루는 새로운 알고리즘적 접근을 제시한다. 기존 연구들은 maximin 목표가 서브모듈러가 아니기 때문에 전통적인 그리디 근사 기법을 적용하기 어려워, 프랭크‑워블(Frank‑Wolfe) 방식, MILP, 혹은 Gurobi 기반 LP‑Greedy 등 계산량이 크게 증가하는 방법에 의존했다. 이 논문은 이러한 한계를 극복하기 위해 두 단계 최적화 프레임워크를 설계하였다.

첫 번째 단계인 Inner‑group Maximization(IGM)은 각 그룹 c∈C에 대해 내부 확산 함수 σ_c(S)를 정의하고, 이를 독립적인 서브모듈러 집합 함수임을 정리 1을 통해 증명한다. 서브모듈러와 단조성을 만족하므로, Kempe et al. (2003)의 그리디 이론에 따라 (1‑1/e)‑근사를 보장한다. 실제 구현에서는 IMM(Influence Maximization via Martingales) 알고리즘을 채택해, 역전파 샘플링(RIS) 기반의 RR 집합을 이용해 σ_c를 효율적으로 추정한다. 각 그룹마다 k개의 시드 후보 S_c를 생성하고, 이때 시드가 반드시 그룹 내부에 있을 필요는 없으며, 전역 최적 해와 동일한 탐색 공간을 유지한다.

두 번째 단계인 Across‑group Maximization(AGM)은 IGM에서 얻은 m개의 시드 리스트를 조합해 전체 예산 k에 맞는 최종 시드 집합 S를 만든다. 여기서는 두 가지 전략을 제시한다. 첫 번째인 Uniform Selection(AGM‑US)은 열‑우선 방식으로, 각 그룹의 i번째 시드 s_{c,i}를 차례대로 선택한다. 예산이 부족해 마지막 열에서 선택을 마무리할 경우, 남은 후보 중 Φ(S∪{s})를 가장 크게 증가시키는 노드를 그리디하게 선택한다. 정리 1에 따르면, AGM‑US는 그룹 구조와 무관하게 Φ(S) ≥ (1/m − ξ)(1‑1/e‑ε)·Φ(S*)를 만족한다. 여기서 ξ는 k를 m으로 나눌 때의 나머지를 k로 나눈 비율이며, 실제 중복 시드가 발생하면 k′/k 비율이 더 커져 경험적으로 더 높은 하한을 얻는다.

두 번째 전략인 Greedy Selection(AGM‑GS)은 전체 후보 집합을 대상으로 매 반복마다 Φ를 가장 크게 향상시키는 노드를 선택한다. 이 방법은 일반적인 경우 근사 비율을 이론적으로 보장하기 어렵지만, 그룹 간 교차 에지가 전혀 없는 완전히 분리된 상황에서는 정리 2에 의해 (1‑1/e‑ε) 근사를 달성한다. 실험에서는 대부분의 실제 네트워크가 완전 분리되지 않음에도 불구하고, AGM‑GS가 AGM‑US보다 일관되게 높은 실측 성능을 보여, 실제 적용 가능성이 높다.

알고리즘 복잡도 측면에서 IGM은 각 그룹당 O((|V_c|+|E_c|)·(k/ε²·log|V_c|)) 수준이며, AGM‑US는 O(k·m) 정도의 선형 시간, AGM‑GS는 O(k·|V|) 정도의 그리디 탐색 비용을 요구한다. 따라서 전체 파이프라인은 대규모 소셜 네트워크에서도 실용적으로 실행 가능하다.

실험에서는 7개의 실세계 데이터셋(예: Facebook, Twitter, DBLP 등)과 다양한 그룹 분포(균등, 불균형, 고밀도 교차)에서 비교 평가를 수행했다. 평가 지표는 최소 그룹 유틸리티 Φ와 전체 확산량, 그리고 공정성 손실(Price of Fairness)이다. 결과는 (1) AGM‑GS가 대부분의 경우 Φ를 최적에 가깝게 끌어올리며, (2) AGM‑US는 이론적 하한에 근접하지만, 교차 에지가 많을수록 성능 격차가 커진다. 또한, 두 단계 구조가 기존 MILP·LP‑Greedy 대비 12 orders of magnitude 빠른 실행 시간을 보이며, 10⁴10⁵ 노드 규모에서도 안정적으로 동작한다.

결론적으로, 이 논문은 maximin 공정성 제약을 가진 영향 최대화 문제에 대해, 그룹 내부 서브모듈러 특성을 활용한 효율적인 시드 생성과, 그룹 간 조정을 위한 두 가지 실용적인 전략을 제시함으로써, 이론적 근사 보장과 실험적 효율성을 동시에 달성한 중요한 진전을 제공한다.