[논문 리뷰] Connectivity in Social Networks

Sieteng Soh, Gongqi Lin외 1명|arXiv (Cornell University)|2015. 06. 10.

Benford’s Law and Fraud Detection참고 문헌 16인용 수 3

한 줄 요약

이 논문은 사회적 네트워크의 연결성 통계의 신뢰성을 검증하기 위해 벤포르드의 법칙을 통계적 검증 도구로 사용하는 것을 제안한다. 특히 위조되거나 무기능 상태인 노드를 탐지하기 위한 목적이다. 대칭적이고 비대칭적인 네트워크를 모두 분석함으로써, 저자들은 무작위 누적 과정가 벤포르드 분포에 더 가까이 수렴함을 입증하며, 순수하게 무작위인가 아니면 상호의존성에 영향을 받는 네트워크 성장 과정인지를 구분할 수 있음을 보여준다.

ABSTRACT

The value of a social network is generally determined by its size and the connectivity of its nodes. But since some of the nodes may be fake ones and others that are dormant, the question of validating the node counts by statistical tests becomes important. In this paper we propose the use of the Benford's distribution to check on the trustworthiness of the connectivity statistics. Our experiments using statistics of both symmetric and asymmetric networks show that when the accumulation processes are random, the convergence to Benford's law is significantly better, and therefore this fact can be used to distinguish between processes which are randomly generated and those with internal dependencies.

연구 동기 및 목표

• 사회적 네트워크에서 노드 연결성 통계의 신뢰성을 평가하기, 특히 노드가 위조되거나 비활성일 수 있는 경우를 고려하여.
• 신뢰할 수 없는 데이터 소스가 존재하는 상황에서 네트워크 크기와 연결성을 검증하는 데 도전 과제를 해결하기.
• 무작위 네트워크 성장과 내부 의존성이 있는 과정을 구분할 수 있는 통계적 방법을 개발하기.
• 벤포르드의 법칙이 네트워크 통계의 데이터 무결성에 대해 강력한 지표로 기능할 수 있는지 평가하기.

제안 방법

• 저자들은 대칭적이고 비대칭적인 사회적 네트워크의 연결성 통계에서 가장 앞자리 숫자에 벤포르드의 법칙을 적용한다.
• 통제된 조건에서 네트워크 데이터를 생성하기 위해 무작위 누적 과정을 시뮬레이션한다.
• 관측된 숫자 빈도가 벤포르드 분포로 수렴하는 정도를 통계적 적합도 검정을 통해 측정한다.
• 순수하게 무작위 과정과 내부 의존성이 있는 과정 간의 수렴 속도를 비교한다.
• 네트워크 유형에 관계없이 강건성을 평가하기 위해 실제 및 합성 네트워크 데이터셋에 분석을 수행한다.
• 시각적 및 정량적 비교를 통해 다양한 과정이 벤포르드의 법칙과 얼마나 잘 일치하는지 평가한다.

실험 결과

연구 질문

• RQ1 벤포르드의 법칙은 사회적 네트워크 연결성 통계의 이면을 탐지하는 데 사용될 수 있는가?
• RQ2 무작위 과정과 의존성에 영향을 받는 네트워크 성장 과정 간에 벤포르드 분포로의 수렴은 어떻게 다를까?
• RQ3 네트워크 연결성 데이터의 가장 앞자리 숫자 분포는 기반이 되는 데이터 생성 과정을 어느 정도 반영하는가?
• RQ4 이 방법은 무작위와 구조적 네트워크 형성 메커니즘을 신뢰성 있게 구분할 수 있는가?
• RQ5 벤포르드의 법칙은 사회적 네트워크에서 위조되거나 무기능 상태인 노드를 효과적으로 식별하는 데 얼마나 유용한가?

주요 결과

• 네트워크 형성 과정에서의 무작위 누적 과정는 내부 의존성이 있는 과정보다 벤포르드 분포로 훨씬 더 잘 수렴한다.
• 벤포르드 법칙으로의 수렴 정도는 네트워크 데이터가 순수하게 무작위 과정에서 유래되었는지 아니면 구조적 과정에서 유래되었는지에 대한 신뢰할 수 있는 지표가 된다.
• 대칭적이고 비대칭적인 네트워크 모두에서 무작위 누적 과정에 의해 벤포르드 법칙과의 일치도 향상되어 광범위한 적용 가능성을 보여준다.
• 내부 의존성이 있는 방식으로 생성된 네트워크는 벤포르드 분포에서 더 뚜렷하게 벗어나며, 비무작위 행동을 탐지할 수 있다.
• 벤포르드의 법칙에 기반한 통계적 검정은 순수하게 무작위 과정과 숨겨진 의존성에 영향을 받는 과정을 효과적으로 구분한다.
• 이 방법은 사회적 네트워크의 연결성 통계의 신뢰성 여부를 검증하기 위한 실용적이고 데이터 기반의 접근법을 제공한다.