[論文レビュー] Causal Inference for Early Detection of Pathogenic Social Media Accounts

Hamidreza Alvari, Paulo Shakarian|arXiv (Cornell University)|Jun 26, 2018

Complex Network Analysis Techniques参考文献 6被引用数 3

ひとこと要約

本稿は、時間割引因果スコアとユーザ行動ログからのコミュニティ構造を用いて、ネットワーク構造、コンテンツ、キャスケード経路に依存せずに、10日以内に活動を開始した病原性SNSアカウント（PSM）を早期に検出するための因果推論フレームワークを提案している。F1スコアは0.63、10日以内の検出における正確度は84%を達成した。

ABSTRACT

Pathogenic social media accounts such as terrorist supporters exploit communities of supporters for conducting attacks on social media. Early detection of PSM accounts is crucial as they are likely to be key users in making a harmful message "viral". This paper overviews my recent doctoral work on utilizing causal inference to identify PSM accounts within a short time frame around their activity. The proposed scheme (1) assigns time-decay causality scores to users, (2) applies a community detection-based algorithm to group of users sharing similar causality scores and finally (3) deploys a classification algorithm to classify accounts. Unlike existing techniques that require network structure, cascade path, or content, our scheme relies solely on action log of users.

研究の動機と目的

• 拡散される前に有害な誤情報拡散を行う病原性SNS（PSM）アカウントの早期検出の課題に対処すること。
• ネットワーク構造、コンテンツ、キャスケード経路に依存する既存手法の限界を克服し、これらがしばしば入手不能または信頼性が低い状況に対処すること。
• ユーザ行動ログにのみ依存する因果ベースの検出フレームワークを構築し、リアルタイムでPSMアカウントを同定すること。
• コミュニティ内での因果スコアがコミュニティ間よりも集中しているかどうかを検証し、分類精度の向上を図ること。
• 初期活動から短い時間ウィンドウ内でPSMアカウントを検出することで、早期干渉を可能にすること。

提案手法

• スライディングウインドウと指数関数的減衰関数を用いて、時間的変動する因果的影響をモデル化するための時間割引因果指標を計算する。
• Kleinberg-Mishra因果指標を用い、時間的減衰を考慮した形でユーザのメッセージ拡散への影響を定量的に評価する。$\xi_{K\&M}^{I}(i) = \frac{1}{|\mathcal{T}|}\sum_{t'\in\mathcal{T}}e^{-\sigma(t-t')}\times\epsilon_{K\&M}(i)$ として定式化される。
• 同じメッセージを時系列的に投稿するユーザ同士を接続することで、行動に基づくユーザ行動グラフを構築する。
• Louvainアルゴリズムを用いて行動ベースのグラフにおけるコミュニティ検出を実施し、類似した因果パターンを持つユーザのクラスタを同定する。
• コミュニティ内因果スコアがコミュニティ間スコアよりも有意に高いかどうかを検証するため、2標本t検定を実施する。
• 因果スコアとコミュニティ構造を統合し、教師あり学習と近接度スコアリングを用いた分類パイプラインを構築することで、PSM検出を実現する。

実験結果

リサーチクエスチョン

• RQ1 時間割引因果指標は、行動ログにのみ依存して、病原性SNS（PSM）アカウントと通常のユーザを効果的に区別できるか？
• RQ2 同じコミュニティ内に属するユーザと異なるコミュニティ間のユーザとの間で、因果スコアの分布に有意な差異があるか？
• RQ3 行動ログから導出されたコミュニティ構造は、個々の因果スコアに比べてPSMアカウント検出の精度を向上させられるか？
• RQ4 本手法は、活動開始後10日以内にPSMアカウントをどれほど迅速かつ効果的に検出できるか？
• RQ5 因果スコアとコミュニティ構造の統合は、ネットワーク構造やコンテンツ分析に依存するベースライン手法を上回る性能を示すか？

主な発見

• 時間割引因果指標のみを用いた場合、教師あり学習によりF1スコア0.63を達成した。
• 減衰ベースの因果特徴を用いた教師あり学習により、活動開始後10日以内に71%のPSMアカウントが同定された。
• コミュニティ検出に基づくフレームワークは、初期活動から10日以内にPSMアカウントを検出する際に正確度0.84を達成した。
• 初期検出ウィンドウで誤分類されたアカウントは、その後10日以内に正常に検出されたことから、優れた時間的回復能力を示した。
• 2標本t検定の結果、帰無仮説（$p$-値 = 4.945e-17）が棄却され、コミュニティ内での因果スコアがコミュニティ間よりも有意に高いことが確認された。
• 本フレームワークは、ネットワーク構造、コンテンツ、キャスケード経路のデータを一切必要とせず、ユーザ行動ログのみに依存して効果的に動作することが示された。