[論文レビュー] Deep Agent: Studying the Dynamics of Information Spread and Evolution in Social Networks

Iván Garibay, Toktam A. Oghaz+24 more|arXiv (Cornell University)|Mar 25, 2020

Opinion Dynamics and Social Influence参考文献 18被引用数 10

ひとこと要約

本論文は、人間の感情的・認知的・社会的ダイナミクスをモデル化し、ソーシャルメディアプラットフォームにおける情報の拡散と進化をシミュレートする理論的・データ駆動型のエージェントベースのシミュレーションシステム、Deep Agent Framework (DAF) を紹介する。ドメインエキスパートの知見、機械学習、ハイパフォーマンスコンピューティングを統合することで、GitHub、Reddit、Twitterにおける暗号通貨、サイバー脅威、ソフトウェア脆弱性のダイナミクスを、モデルの混合および削減戦略による性能向上を伴い、優れた正確性でモデル化している。

ABSTRACT

This paper explains the design of a social network analysis framework, developed under DARPA's SocialSim program, with novel architecture that models human emotional, cognitive and social factors. Our framework is both theory and data-driven, and utilizes domain expertise. Our simulation effort helps in understanding how information flows and evolves in social media platforms. We focused on modeling three information domains: cryptocurrencies, cyber threats, and software vulnerabilities for the three interrelated social environments: GitHub, Reddit, and Twitter. We participated in the SocialSim DARPA Challenge in December 2018, in which our models were subjected to extensive performance evaluation for accuracy, generalizability, explainability, and experimental power. This paper reports the main concepts and models, utilized in our social media modeling effort in developing a multi-resolution simulation at the user, community, population, and content levels.

研究の動機と目的

• オンラインソーシャルネットワークにおける情報拡散および進化の高精細・マルチスケールシミュレーションを開発すること。
• 感情、限界的合理性、社会的つながりといった人間行動の深層神経認知モデルをエージェントベースのシミュレーションに統合すること。
• 暗号通貨、サイバー脅威、ソフトウェア脆弱性の3つの実世界の分野において、ユーザー、コミュニティ、人口、コンテンツのレベルでモデルのパフォーマンスを評価すること。
• モジュラーでデータ駆動的かつ理論に基づいたエージェント設計を通じて、モデルの正確性、汎用性、説明可能性、実験的パワーを向上させること。
• DAFの有効性を、GitHub、Reddit、Twitterの実データを用いたDARPA SocialSimチャレンジで実証すること。

提案手法

• Deep Agent Framework (DAF) は、ユーザーを『ディープエージェント』としてモデル化し、感情（正統的合理性行動）、限界的合理性、社会的つながりという3つのコア次元を持つ。
• フレームワークは、異なる社会的ダイナミクスのためのサブコンポーネントモデルの体系的構築、テスト、検証を可能にするモジュラーなアーキテクチャを採用している。
• マルチプレックスティ（Multiplexity-Based Models, MBM）およびマルチエージェント認知モデル（Multi-Agent Cognitive Models, MACM）を用いて、グラフ理論と行動ルールを活用し、ネットワークの進化とユーザー間の相互作用をシミュレートする。
• モデルの発見と最適化には、機械学習とHPCクラウドコンピューティングを活用し、エージェント行動ルールの最適化とシミュレーションの忠実性向上を図っている。
• 手作業による行動理論とデータ駆動型モデルのハイブリッド戦略を採用し、Standard Historical Data (SHD) を用いたモデル混合によりパフォーマンスが向上している。
• パフォーマンス評価には、正確性、汎用性、説明可能性、実験的パワーの4つの次元で57のメトリクスを用い、比較にあたっては正規化誤差比が使用されている。

実験結果

リサーチクエスチョン

• RQ1 エージェントベースのシミュレーションにおいて、深層的な認知的・感情的要因をどのようにモデル化することで、情報拡散の現実性が向上するか？
• RQ2 モジュラーで理論に基づいたエージェントモデルは、多様なソーシャルメディアプラットフォームや分野にどの程度一般化可能か？
• RQ3 SHDを用いたモデル混合は、ユーザー、コミュニティ、人口、コンテンツレベルの相互作用のシミュレーションにおいて、どのようにパフォーマンスを向上させるか？
• RQ4 影響力のあるユーザーを削除することは、モデルの正確性と説明可能性にどのような影響を与えるか？
• RQ5 説明可能で理論に基づいたモデルは、純粋に統計的またはデータフィッティングに依存するモデルよりも、複雑な社会的ダイナミクスを捉える上で優れているか？

主な発見

• Deep Agent Framework は、すべてのレベル（ユーザー、コミュニティ、人口、コンテンツ）でベースラインモデルよりも低い正規化誤差比を達成しており、0.2未満の値は太字で示され、高いパフォーマンスを示している。
• Standard Historical Data (SHD) を用いたモデル混合は、ユーザーおよびコミュニティレベルでのパフォーマンスを顕著に向上させ、ノードレベルの相互作用のシミュレーションにおける正確性の向上を示している。
• 影響力のあるユーザーの削除は、MBMモデルのパフォーマンスを向上させたが、MACMモデルのパフォーマンスを低下させた。これは、理論に基づいたモデルが本質的に影響力のあるダイナミクスを捉えている可能性を示唆している。
• SHD混合戦略は、特に次数分布およびノードレベルの特性において、人口レベルのモデリングを強化しており、マクロレベルのダイナミクスにおけるロバスト性を示している。
• 最も正確なモデルは、常に説明可能性が高かった。これは、透明性があり理論に基づいたモデルが、より優れた予測性能をもたらすという仮説を支持している。
• このフレームワークは、包括的な57メトリクスによる評価を通じて、DARPA SocialSimチャレンジに成功裏に合格し、強力な汎用性と実験的パワーを示した。