[論文レビュー] Node discovery problem for a social network

Yoshiharu Maeno|arXiv (Cornell University)|Oct 26, 2007

Complex Network Analysis Techniques参考文献 38被引用数 12

ひとこと要約

本稿では、最尤推定と異常検出を組み合わせた統計的推論手法を提案し、監視ログに存在しないが共同活動に影響を与える「隠れノード」（コントロールする人物）を特定することを目的としている。この手法は、合成ネットワークおよび実世界の秘密結社ネットワークにおいて、精度、再現率、F-measureの面で理論上の限界に非常に近い性能を達成し、テロリズムネットワークにおけるオスマーン・ビン・ラーデンのような隠れた指導者を特定可能にする。

ABSTRACT

Methods to solve a node discovery problem for a social network are presented. Covert nodes refer to the nodes which are not observable directly. They transmit the influence and affect the resulting collaborative activities among the persons in a social network, but do not appear in the surveillance logs which record the participants of the collaborative activities. Discovering the covert nodes is identifying the suspicious logs where the covert nodes would appear if the covert nodes became overt. The performance of the methods is demonstrated with a test dataset generated from computationally synthesized networks and a real organization.

研究の動機と目的

• 監視ログに存在しないが共同活動に影響を与える重要なインフルエンサー（隠れノード）が存在する社会的ネットワークにおけるノード発見問題に対処すること。
• 監視ログに隠れノードが存在する場合にのみ統計的に不自然なログを特定する手法を開発すること。
• 計算的に合成されたネットワークと実際の秘密結社組織の両方に対して、この手法の性能を評価すること。
• 長期間にわたる反テロ戦略を支援するために、隠れた背後にいる人物や重要な共謀者を特定できるようにすること。

提案手法

• 観測された共同活動ログから、隠れノードが存在しないと仮定した場合のネットワークトポロジーを最尤推定により推定する。
• 監視ログに隠れノードが存在しないと仮定した場合に、そのログが統計的にあり得ないことを異常検出により特定する。
• 中心ノードが複数の周辺ノードに影響を与える「ハブ・アンド・スポーク型」の影響伝搬構造をネットワークモデルとして採用する。
• 隠れノードが含まれる可能性が高いとされるログを、異常スコアの高さに基づいて順位付けし、優先度を付ける。
• 隠れノードが存在しないと仮定したもとで、特定のログ集合が観測される確率を推定する統計的フレームワークを採用する。
• 精度、再現率、調和平均の両立を評価するため、F-measure（van RijsbergenのF1）を用いる。

実験結果

リサーチクエスチョン

• RQ1 監視ログに存在しないがネットワーク活動に影響を与える人物（隠れノード）を、どのようにして社会的ネットワークで特定できるか？
• RQ2 重要なノードが隠されている状況において、統計的推論と異常検出手法が、真のネットワークトポロジーをどの程度回復できるか？
• RQ3 提案手法の精度、再現率、F-measureは、理論上の限界やランダムなリトリーブ手法と比べて、どのように異なるか？
• RQ4 ノードの次数（次数）は、とくにスパarsなネットワークや低次数の接続において、隠れノードの検出可能性にどのような役割を果たすか？
• RQ5 この手法は、実際の秘密結社組織に効果的に適用可能であり、オスマーン・ビン・ラーデンのような隠れた指導者を特定できるか？

主な発見

• 統計的推論手法は、合成ネットワークおよび実世界のネットワークの両方で、理論上の上限に非常に近いF-measure性能を達成した。
• この手法は、特に注目すべき監視ログを効果的に特定し、9/11事件のシミュレーションにおいて、ターゲットとなる隠れノード（例：オスマーン・ビン・ラーデン）の周囲8人の仲間全員を特定した。
• 2件の偽陰性（誤検出）が発生した。これは、次数が1（n_CS11 および n_CS12）のノードを含むログであり、低次数のノードは隠れノード検出に弱い信号を発する可能性があることを示している。
• 最も疑わしいログに含まれるのは、隠れノードの既知の仲間のみであり、検出の信号の忠実度（信号の正確さ）が高いことを示している。
• ランダムなリトリーブ手法を上回り、理論上の限界に近い性能を示しており、不審な記録を特定するうえで高い信頼性を有していることが確認された。
• この手法により、疑わしい隠れ指導者の周囲の関係者に焦点を当てた調査が可能となり、的確なフォローアップ調査を支援できる。