[論文レビュー] Structural Analysis of Criminal Network and Predicting Hidden Links using Machine Learning

Emrah Budur, Seungmin Lee+1 more|arXiv (Cornell University)|Jul 21, 2015

Crime Patterns and Interventions参考文献 8被引用数 14

ひとこと要約

本稿では、グラフ特徴量と勾配ブースティングマシン（GBM）を用いて、犯罪ネットワークの隠れたリンクを予測する機械学習的手法を提案する。リンク予測を二値分類問題に変換することで、重み付きPageRankとハイブリッドアタック戦略を活用し、標準的なノード削除手法を上回るネットワーク破壊性能を達成する。

ABSTRACT

Analysis of criminal networks is inherently difficult because of the nature of the topic. Criminal networks are covert and most of the information is not publicly available. This leads to small datasets available for analysis. The available criminal network datasets consists of entities, i.e. individual or organizations, which are linked to each other. The links between entities indicates that there is a connection between these entities such as involvement in the same criminal event, having commercial ties, and/or memberships in the same criminal organization. Because of incognito criminal activities, there could be many hidden links from entities to entities, which makes the publicly available criminal networks incomplete. Revealing hidden links introduces new information, e.g. affiliation of a suspected individual with a criminal organization, which may not be known with public information. What will we be able to find if we can run analysis on a larger dataset and use link prediction to reveal the implicit connections? We plan to answer this question by using a dataset that is an order of magnitude more than what is used in most criminal networks analysis. And by using machine learning techniques, we will convert a link prediction problem to a binary classification problem. We plan to reveal hidden links and potentially hidden key attributes of the criminal network. With a more complete picture of the network, we can potentially use this data to thwart criminal organizations and/or take a Pareto approach in targeting key nodes. We conclude our analysis with an effective destruction strategy to weaken criminal networks and prove the effectiveness of revealing hidden links when attacking to criminal networks.

研究の動機と目的

• 密かに行われる活動や限られた公開情報による、犯罪ネットワークデータの不完全さという課題に対処すること。
• 機械学習を用いて、スパarsな不完全な犯罪ネットワークにおけるリンク予測の精度を向上させること。
• 予測されたリンク構造に基づき、高い影響を持つノードを同定し、効果的なネットワーク破壊戦略を開発すること。
• 戦略的なノード削除による隠れたリンクの同定が、犯罪ネットワークのレジリエンスを弱体化させる影響を評価すること。

提案手法

• 共通の隣接ノード、ジャカード係数、最短経路距離などのグラフ特徴量を用いて、リンク予測問題を二値分類タスクに変換した。
• 勾配ブースティングマシン（GBM）を用いて、複数のリンク予測インデックスをアンサンブル化し、モデルの汎化性能を向上させた。
• 予測されたリンク確率をエッジの重みとして割り当て、中心性に基づく分析用の重み付きグラフを構築した。
• 重み付きPageRankスコアを計算し、静的および反復的スコアリングアプローチを用いて、ネットワーク破壊のための高影響ノードを同定した。
• 最高次数ノード削除と重み付きPageRank選択を組み合わせたハイブリッドアタック戦略を設計し、短期的破壊と長期的ネットワーク断片化の両立を図った。
• 最大弱連結成分（WCC）サイズやネットワーク径の時間的推移を用いて、アタック効果を評価した。

実験結果

リサーチクエスチョン

• RQ1 標準的なグラフ特徴量を用いた機械学習モデルは、不完全な犯罪ネットワークにおける隠れたリンクをどの程度正確に予測できるか？
• RQ2 特にクラスタリングと非中心的構造が、リンク予測性能にどのような影響を与えるか？
• RQ3 ノード標的戦略（例：次数、PageRank、重み付きPageRank）の中で、犯罪ネットワーク構造を最も効果的に破壊するのはどれか？
• RQ4 次数と重み付きPageRank選択を組み合わせたハイブリッドアタック戦略は、個別の手法を上回るネットワーク断片化効果を示せるか？
• RQ5 予測されたリンク確率をエッジの重みとして使用することで、ネットワーク破壊シミュレーションの精度がどのように向上するか？

主な発見

• GBMベースのリンク予測モデルは、クラスタリングが少なく、より非中心的なネットワークで高い性能を発揮し、分散が小さく汎化性能に優れていることが示された。
• 重み付きPageRank法は、他のすべてのPageRankバージョンを上回り、最大WCCサイズが最小で、径の減少が最も速かったことから、ネットワーク破壊において最も優れた性能を示した。
• 最高次数ノード削除と重み付きPageRank選択を組み合わせたハイブリッドアタック戦略が、全体として最良の破壊性能を達成し、2つの手法の理論的最小値に一致した。
• ハイブリッド手法は、重み付きの裾が長い径のプロファイルを示し、複数の攻撃フェーズにわたり効率的な断片化が行われていることを示した。
• 予測されたリンク確率をエッジの重みとして組み込むことで、ネットワーク破壊戦略の有効性が顕著に向上することが実証された。
• 結果から、機械学習による隠れたリンクの同定が、犯罪ネットワークにおける重要なノードへの戦略的かつ効果的な標的指定を可能にすることが示唆された。