[논문 리뷰] StratLearner: Learning a Strategy for Misinformation Prevention in Social Networks

Guangmo Tong|arXiv (Cornell University)|2020. 09. 29.

Complex Network Analysis Techniques인용 수 8

한 줄 요약

StratLearner는 기초 확산 모델에 대한 지식 없이도 소셜 네트워크 내에서 위성정보에 대응할 최적의 보호자를 선택하는 구조적 예측 프레임워크를 제안한다. 무작위 부분그래프 기반 특징과 마진 최대화 학습을 통해 근사 최적의 보호 성능를 달성하며, 실험에서 기존의 그래프 기반 및 학습 기반 방법들을 능가한다.

ABSTRACT

Given a combinatorial optimization problem taking an input, can we learn a strategy to solve it from the examples of input-solution pairs without knowing its objective function? In this paper, we consider such a setting and study the misinformation prevention problem. Given the examples of attacker-protector pairs, our goal is to learn a strategy to compute protectors against future attackers, without the need of knowing the underlying diffusion model. To this end, we design a structured prediction framework, where the main idea is to parameterize the scoring function using random features constructed through distance functions on randomly sampled subgraphs, which leads to a kernelized scoring function with weights learnable via the large margin method. Evidenced by experiments, our method can produce near-optimal protectors without using any information of the diffusion model, and it outperforms other possible graph-based and learning-based methods by an evident margin.

연구 동기 및 목표

• 기초 확산 모델을 알지 못할 때 소셜 네트워크 내 위성정보에 대응할 보호자를 선택하는 전략을 학습하는 것.
• 구조적 예측에서 집합 기반 입력과 출력을 다루는 데서 순열 불변성을 유지하면서 도전 과제를 해결하는 것.
• 완전한 모델 지식에 의존하지 않고도 그래프 구조를 학습 프레임워크에 효과적으로 통합하는 것.
• 부분적 또는 전혀 모델 정보가 없는 조건에서 기존의 그래프 기반 및 학습 기반 방법들을 능가하는 것.
• 무작위 부분그래프 특징이 복잡한 확산 역학을 충분히 근사하여 효과적인 전략 학습을 가능하게 할 수 있는지 입증하는 것.

제안 방법

• StratLearner는 K개의 무작위 부분그래프를 사용하여 점수 함수 f*(M,P)를 매개변수화하며, G(M,P) ∈ ℝ^K 는 샘플링된 부분그래프 내의 거리에서 유도된 특징 벡터를 나타낸다.
• 점수 함수는 f*(M,P) = wᵀG(M,P) 로 정의되며, 학습 가능한 가중치 w는 대규모 마진 최적화를 위한 구조적 서포트 벡터 머신을 통해 확보된다.
• 구조적 예측에서 정확한 추론의 NP-난이도를 다루기 위해 새로운 손실 증강 추론 방법이 설계되었다.
• 이 방법은 임의로 샘플링된 부분그래프에서의 거리 함수 기반 무작위 특징을 구축함으로써, 명시적 모델 지식 없이도 커널 기반 점수 계산을 가능하게 한다.
• 프레임워크는 입력 및 출력 집합의 순열 불변성을 유지하여 노드 순서의 변화에 대해 강건함을 확보한다.
• K가 충분히 클 경우, 트리거링 모델과 커널 기반 특징 공간 간의 이론적 동치성을 활용한다.

실험 결과

연구 질문

• RQ1 학습 프레임워크가 기초 확산 모델에 대한 사전 지식 없이도 최적의 보호자를 효과적으로 식별할 수 있는가?
• RQ2 그래프 구조는 어떻게 구조적 예측 프레임워크에 통합되어 소셜 네트워크에서 집합 기반 최적화를 위한 것인가?
• RQ3 무작위 부분그래프 특징이 복잡한 확산 역학을 충분히 근사하여 고품질의 보호자 선택을 가능하게 할 수 있는가?
• RQ4 제안된 방법은 기존의 그래프 기반 및 학습 기반 접근 방식보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ5 이 방법은 기초 확산 과정에 대한 사전 지식에 얼마나 민감한가?

주요 결과

• StratLearner는 기초 확산 모델에 대한 어떤 정보도 사용하지 않으면서도 근사 최적의 보호자 선택을 달성하여 강력한 일반화 능력을 보였다.
• 모든 테스트 네트워크에서 다른 그래프 기반 및 학습 기반 베이스라인 대비 보호 효과성 측면에서 뚜렷한 승리를 거두었다.
• 진짜 모델의 엣지 선택 확률을 반영한 부분그래프 샘플링 전략으로부터 유도된 100개의 특징만으로도, 세 가지 그래프 유형에서 모두 보호 성능 비율이 최소 0.95에 이를 정도로 높은 성능를 기록했다.
• 실험 결과에 따르면, 부분적인 사전 지식이 있더라도 성능 향상에 기여함을 확인했으며, 모델 특화된 엣지 확률을 사용해 부분그래프를 구성할 경우 성능가 최적 수준에 가까워졌다.
• 무작위 특징 생성 전략은 효과적이었다: 전체 그래프 거리 특징 하나만을 사용할 경우 성능이 열악했지만, 더 풍부한 부분그래프 샘플링 전략을 적용할 경우 성능 향상이著명했다.
• 다양한 그래프 유형(Kronecker, 파워-레인지, Erdős-Rényi)에 걸쳐 뚜렷한 강건성과 일반화 능력을 보였으며, 특정 네트워크 구조에 국한되지 않는다는 점을 시사한다.