[論文レビュー] Identification of Source of Rumors in Social Networks with Incomplete Information

Alireza Louni, S. Anand+1 more|arXiv (Cornell University)|Sep 2, 2015

Sparse and Compressive Sensing Techniques参考文献 11被引用数 10

ひとこと要約

本稿では、不完全なセンサー情報を持つ大規模なソーシャルネットワークにおけるフェイクニュースの発信元を同定するための新規アプローチを提案する。圧縮センシングと二重に非負（DN）行列補完を用いて、欠落したフェイクニュース到着時刻を回復する。この手法は、最大尤度推定器とほぼ同等の性能を達成し、最大30%の欠落データに対しても有効である。本研究は、ソーシャルネットワークにおける不完全情報下でのフェイクニュース発信元同定に関する最初の研究である。

ABSTRACT

Rumor source identification in large social networks has received significant attention lately. Most recent works deal with the scale of the problem by observing a subset of the nodes in the network, called sensors, to estimate the source. This paper addresses the problem of locating the source of a rumor in large social networks where some of these sensor nodes have failed. We estimate the missing information about the sensors using doubly non-negative (DN) matrix completion and compressed sensing techniques. This is then used to identify the actual source by using a maximum likelihood estimator we developed earlier, on a large data set from Sina Weibo. Results indicate that the estimation techniques result in almost as good a performance of the ML estimator as for the network for which complete information is available. To the best of our knowledge, this is the first research work on source identification with incomplete information in social networks.

研究の動機と目的

• プライバシー制限やデータアクセス制限のため、センサー情報が不完全な状況下でも、大規模なソーシャルネットワークにおけるフェイクニュース発信元を同定する課題に対処すること。
• ソーシャルネットワークにおけるセンサーノードでのフェイクニュース到着時刻測定値の欠落を回復するための堅牢な手法を開発すること。
• 実世界のソーシャルネットワークデータを用いて、推定手法（圧縮センシング、DN行列補完、再生理論に基づく改良）の性能を評価すること。
• 大きな欠落データ率下でも、完全なデータとほぼ同等の発信元特定精度が維持されることを示すこと。

提案手法

• 観測ベクトルΔtにおける、散発的な欠落を示すフェイクニュース到着時刻のエントリを回復するために、圧縮センシングを用いる。
• バースト的または構造的なブロック単位で欠落するエントリを回復するために、二重に非負（DN）行列補完を適用する。
• 拡散間隔の一次モーメントと二次モーメントを活用する再生理論に基づくモデルを統合し、DN補完の精度を向上させる。
• 事前に開発済みの最大尤度（ML）推定器を発信元同定に用い、回復済みデータを入力として使用する。
• Louvain法を用いてコミュニティ構造からゲートウェイグラフを構築し、高い中央性を持つノードをセンサーとして選択する。
• 実Sina Weiboデータセット（ノード数40,445～43,545、エッジ数80,923～84,451、直径最大13）を用いてフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 圧縮センシングは、ソーシャルネットワークにおける散発的な欠落したフェイクニュース到着時刻測定値を効果的に回復できるか？
• RQ2 二重に非負行列補完は、フェイクニュース拡散ネットワークにおけるバースト的またはブロック単位の欠落データを処理できるか？
• RQ3 再生理論を統合することで、フェイクニュース発信元同定における欠落データ推定の精度が向上するか？
• RQ4 推定データを用いた場合と完全なセンサーデータを用いた場合とで、ML推定器の性能はどの程度低下するか？
• RQ5 推定手法が、高い欠落データ率下でも発信元同定精度をどの程度維持できるか？

主な発見

• センサー密度が0.3%未満の場合、圧縮センシングは15%と30%の欠落率の間で、推定誤差がほぼ区別できない。
• 再生理論に基づく改良を施したDN行列補完は、15%欠落率で30%欠落率よりもより顕著に推定誤差を低減する。
• 再生理論ベースのモデルは、拡散間隔の一次モーメントと二次モーメントの両方を活用することで、標準的なDN補完を上回り、より低い推定誤差を達成する。
• 圧縮センシングを用いた発信元同定は、30%の欠落データ下でも真の発信元から数ホップ以内の性能を維持し、完全情報状況とほぼ同等の精度を達成する。
• 再生理論に基づくDN補完法は、特に低い欠落データ率下で、標準的なDN補完よりも平均発信元推定誤差を顕著に低減する。
• 全体として、推定手法によりML推定器は完全情報状況とほぼ同等の性能を達成でき、提案フレームワークの堅牢性が裏付けられる。