[論文レビュー] Attack Tolerance of Link Prediction Algorithms: How to Hide Your Relations in a Social Network

Marcin Waniek, Kai Zhou+4 more|arXiv (Cornell University)|Sep 1, 2018

Complex Network Analysis Techniques参考文献 37被引用数 11

ひとこと要約

本論文は、リンク予測アルゴリズムからの検出を回避するために個人が局所的なネットワーク接続を戦略的に再接続する方法を調査し、CTR（エッジ削除）およびOTC（エッジ追加）の2つの実用的ヒューリスティクスを提案する。これらはリンク予測の有効性を顕著に低下させる。CTRは関係の隠蔽においてOTCを上回り、リンク予測アルゴリズムの攻撃耐性はネットワークサイズが大きくなるほど向上するが、平均次数が高いほど低下する。

ABSTRACT

Link prediction is one of the fundamental research problems in network analysis. Intuitively, it involves identifying the edges that are most likely to be added to a given network, or the edges that appear to be missing from the network when in fact they are present. Various algorithms have been proposed to solve this problem over the past decades. For all their benefits, such algorithms raise serious privacy concerns, as they could be used to expose a connection between two individuals who wish to keep their relationship private. With this in mind, we investigate the ability of such individuals to evade link prediction algorithms. More precisely, we study their ability to strategically alter their connections so as to increase the probability that some of their connections remain unidentified by link prediction algorithms. We formalize this question as an optimization problem, and prove that finding an optimal solution is NP-complete. Despite this hardness, we show that the situation is not bleak in practice. In particular, we propose two heuristics that can easily be applied by members of the general public on existing social media. We demonstrate the effectiveness of those heuristics on a wide variety of networks and against a plethora of link prediction algorithms.

研究の動機と目的

• ソーシャルネットワークにおける隠れたまたはプライベートな関係を暴露する可能性があるリンク予測アルゴリズムが引き起こすプライバシーリスクに対処すること。
• 個人が局所的なネットワーク構造を戦略的に変更することで、リンク予測アルゴリズムによる検出の可能性を低減できるかを調査すること。
• プライバシー保護のためのネットワーク再接続に向けた実用的ヒューリスティクスの有効性と計算上の実行可能性を評価すること。
• 特にネットワークのトポロジー（サイズと平均次数）が、リンク予測アルゴリズムの回避戦略に対するレジリエンスに与える影響を分析すること。

提案手法

• リンク予測を回避する問題をNP完全な最適化タスクとして形式化し、最適回避の理論的限界を確立する。
• 2つの実用的ヒューリスティクスを提案：CTR（制御的トポロジー除去）は、ユーザーの近隣から戦略的なエッジを削除する。OTC（最適トポロジー構築）は、ターゲットリンクを隠すために新しいエッジを追加する。
• リンク予測の性能を評価するために、標準的な類似度インデックス（例：ジャカード係数、アダミック＝アダール、優先的アタッチメント）を用いる。
• 実社会ネットワーク、通信ネットワーク、生物学的ネットワークを含む多様な実際および合成ネットワークに対して、ヒューリスティクスの実験的評価を実施。
• 標準指標（AUC（受診者操作特性曲線下の面積）、AP（平均適合度））を用いて有効性を測定。結果は50回のランに平均化され、95％信頼区間を提示。
• スケールフリーやスモールワールド、エローズ＝レニー・ネットワークモデルを用いた、大規模ネットワーク（最大100,000ノード）における実行時間のスケーラビリティを分析。

実験結果

リサーチクエスチョン

• RQ1 個人が局所的なネットワーク構造を変更することで、特定の関係をリンク予測アルゴリズムから効果的に隠蔽できるか？
• RQ2 エッジ削除（CTR）とエッジ追加（OTC）のどちらのヒューリスティクスが、多様なネットワークタイプにおいてリンク予測の回避により効果的か？
• RQ3 リンク予測アルゴリズムの攻撃耐性は、ネットワークサイズと平均次数にどのように変化するか？
• RQ4 提案されたヒューリスティクスは大規模ネットワークにおいて計算的にスケーラブルか？
• RQ5 エッジ削除と追加の組み合わせ戦略は、回避効果に相乗効果をもたらすか？

主な発見

• リンク予測を回避する最適解を求める問題はNP完全であることが確認され、完全な回避の理論的非実行可能性が裏付けられた。
• CTRヒューリスティクス（エッジ削除）はリンク予測の性能を顕著に低下させ、複数のネットワークおよび類似度インデックスでAUCおよびAPが最大30％低下した。
• OTCヒューリスティクス（エッジ追加）は効果が低く、AUCにはわずかな改善しか見られず、APには有意義な改善がなかった。これは関係の隠蔽に弱い戦略であることを示している。
• CTRとOTCを組み合わせても相乗効果は得られず、CTR単体を使用した場合と同程度の結果に留まった。
• CTRは非常にスケーラブルであり、100,000ノードのネットワークですら1ミリ秒未満の実行時間で実行可能である一方、OTCの実行時間は急激に増加し、同規模のネットワークではほぼ3時間に達した。
• リンク予測アルゴリズムの攻撃耐性はネットワークサイズが大きくなるほど向上し、平均次数が高いほど低下する。これは、より大きく、疎なネットワークが回避戦略に対してよりレジリエントであることを示している。