[論文レビュー] Bayesian Vertex Nomination

Dominic S. Lee, Carey E. Priebe|arXiv (Cornell University)|May 23, 2012

Algorithms and Data Compression参考文献 8被引用数 4

ひとこと要約

本稿では、観察された赤色頂点および赤色辺から導出された文脈およびコンテンツ統計を用いて、部分的に観察された属性付きグラフにおける赤色頂点の可能性の高い候補を特定するベイジアン頂点ノーテーションモデルを提案する。尤度モデルと情報的事前分布を組み合わせ、メトロポリス・インナー・ギブスサンプリングによる事後分布推論を実行することで、当該手法は偶然よりも著しく高い正しくノーテーションされた割合を達成し、先行手法を上回ることを、シミュレーションおよびEnronメール詐欺検出アプリケーションを通じて検証した。

ABSTRACT

Consider an attributed graph whose vertices are colored green or red, but only a few are observed to be red. The color of the other vertices is unobserved. Typically, the unknown total number of red vertices is small. The vertex nomination problem is to nominate one of the unobserved vertices as being red. The edge set of the graph is a subset of the set of unordered pairs of vertices. Suppose that each edge is also colored green or red and this is observed for all edges. The context statistic of a vertex is defined as the number of observed red vertices connected to it, and its content statistic is the number of red edges incident to it. Assuming that these statistics are independent between vertices and that red edges are more likely between red vertices, Coppersmith and Priebe (2012) proposed a likelihood model based on these statistics. Here, we formulate a Bayesian model using the proposed likelihood together with prior distributions chosen for the unknown parameters and unobserved vertex colors. From the resulting posterior distribution, the nominated vertex is the one with the highest posterior probability of being red. Inference is conducted using a Metropolis-within-Gibbs algorithm, and performance is illustrated by a simulation study. Results show that (i) the Bayesian model performs significantly better than chance; (ii) the probability of correct nomination increases with increasing posterior probability that the nominated vertex is red; and (iii) the Bayesian model either matches or performs better than the method in Coppersmith and Priebe. An application example is provided using the Enron email corpus, where vertices represent Enron employees and their associates, observed red vertices are known fraudsters, red edges represent email communications perceived as fraudulent, and we wish to identify one of the latent vertices as most likely to be a fraudster.

研究の動機と目的

• 一部の赤色頂点しか分かっていない部分的に観察された属性付きグラフにおける頂点ノーテーション問題に取り組むこと。
• グラフ内の構造的および属性統計を活用することで、ランダムな当選確率を上回るノーテーション精度を向上させること。
• 未観察の頂点の色およびエッジタイプに関する不確実性を組み込む、整合的なベイジアンフレームワークを構築すること。
• シミュレーションおよび実世界のデータを用いて、既存の尤度ベースの手法と比較して性能を評価すること。

提案手法

• 各頂点に対して2つの統計量を定義する：文脈統計量（観察された赤色近傍頂点の数）およびコンテンツ統計量（頂点に接続する赤色エッジの数）。
• 頂点間で統計量が条件付き独立であると仮定する尤度モデルを構築し、赤色頂点同士の間で赤色エッジが発生する確率が高くなるように設定する。
• 未知のパラメータ（赤色頂点総数およびエッジ形成確率など）に対して非情報的および弱情報的事前分布を割り当てる。
• 未観察の頂点の色およびモデルパラメータをサンプリングするために、メトロポリス・インナー・ギブスアルゴリズムを用いて事後分布推論を実施する。
• ノーテーションされた頂点は、それが赤色である事後確率が最も高い頂点として選択される。
• 本手法は、シミュレーションスタディを通じて検証され、Enronメールコーパスに応用され、未観察の人物の中から潜在的な不正行為者を特定した。

実験結果

リサーチクエスチョン

• RQ1 未観察の頂点の色およびエッジタイプに関する不確実性を組み込むことで、ベイジアンフレームワークが頂点ノーテーションの正確性を向上させられるか？
• RQ2 頂点が赤色であるという事後確率と、実際のノーテーション成功確率の間にはどのような相関関係があるか？
• RQ3 提案されたベイジアンモデルは、シミュレーションおよび実世界の設定の両方で、CoppersmithとPriebe（2012）の尤度ベース手法を上回る性能を示すか？
• RQ4 スパースな赤色頂点状況下で、文脈統計量とコンテンツ統計量はノーテーション性能をどの程度向上させるか？
• RQ5 赤色頂点総数に関する不確実性に対して、本モデルはどの程度頑健か？

主な発見

• ベイジアン頂点ノーテーションモデルは、ランダムなノーテーションを著しく上回り、偶然の当選確率を明確に上回ることを示した。
• 正しくノーテーションされる確率は、ノーテーションされた頂点が赤色であるという事後確率が高くなるに従って単調に増加する傾向を示し、モデルの信頼性を裏付けた。
• シミュレーションおよび実世界のEnronメールデータの両方において、CoppersmithとPriebe（2012）の尤度ベース手法と同等またはそれ以上の性能を示した。
• Enronアプリケーションにおいて、本モデルは、既知の不正パターンと整合的であるが、潜在的な人物が不正行為者である可能性が極めて高いと特定した。
• シミュレーションスタディにより、ノーテーションのための事後確率が高くなるほど、実証的ノーテーション正確度も高くなることが確認され、ベイジアン推論フレームワークの妥当性を支持した。