[论文解读] Controlling Elections through Social Influence

Bryan Wilder, Yevgeniy Vorobeychik|arXiv (Cornell University)|Nov 23, 2017

Internet Traffic Analysis and Secure E-voting参考文献 20被引用 33

一句话总结

本文研究通过社交影响进行选举操控，其中攻击者利用社交网络通过战略性地传播虚假信息来操纵投票结果。论文提出了最大化胜利优势（MOV）的近似算法，以及针对胜利概率（POV）的双准则近似算法，表明MOV在一般情况下可高效近似，而POV则在一般情况下难以近似，尽管在优势较宽的选举中仍具有效性。

ABSTRACT

Election control considers the problem of an adversary who attempts to tamper with a voting process, in order to either ensure that their favored candidate wins (constructive control) or another candidate loses (destructive control). As online social networks have become significant sources of information for potential voters, a new tool in an attacker's arsenal is to effect control by harnessing social influence, for example, by spreading fake news and other forms of misinformation through online social media. We consider the computational problem of election control via social influence, studying the conditions under which finding good adversarial strategies is computationally feasible. We consider two objectives for the adversary in both the constructive and destructive control settings: probability and margin of victory (POV and MOV, respectively). We present several strong negative results, showing, for example, that the problem of maximizing POV is inapproximable for any constant factor. On the other hand, we present approximation algorithms which provide somewhat weaker approximation guarantees, such as bicriteria approximations for the POV objective and constant-factor approximations for MOV. Finally, we present mixed integer programming formulations for these problems. Experimental results show that our approximation algorithms often find near-optimal control strategies, indicating that election control through social influence is a salient threat to election integrity.

研究动机与目标

• 研究通过在社交网络中传播虚假信息来操纵选举结果的计算可行性。
• 建模攻击者如何战略性地选择种子节点以影响选民偏好并改变选举结果。
• 分析两个目标：在建设性或破坏性操控下，最大化胜利优势（MOV）和胜利概率（POV）。
• 在各种选举设置下，为这两个目标开发近似算法和混合整数规划（MILP）公式。
• 使用真实世界社交网络数据集，对这些算法的实证性能与最优解进行评估。

提出的方法

• 将通过社交影响进行选举操控形式化为两阶段问题：选择种子节点，并通过社交网络建模级联影响。
• 使用概率阈值模型来建模影响传播，其中每个受影响的选民可能进一步传播信息。
• 针对两候选人情况，提出一种基于贪心策略的 $(1-1/e)$-近似算法，利用子模性。
• 提出一种双准则近似算法用于POV，以最大化子模函数超过某阈值的概率。
• 为所有设置下的最优解开发混合整数线性规划（MILP）公式。
• 在四个真实世界网络（netscience、facebook、polblogs 和 irvine）上，对近似算法与MILP解进行实证评估。

实验结果

研究问题

• RQ1 在社交网络中通过战略性地传播虚假信息来操控选举在计算上是否可行？
• RQ2 近似算法在最大化胜利优势（MOV）和胜利概率（POV）方面相对于最优解的性能如何？
• RQ3 POV目标的近似理论极限是什么，特别是在窄幅选举中？
• RQ4 候选人数量和种子预算如何影响近似算法的性能？
• RQ5 双准则近似能否有效平衡POV目标的解质量与计算可行性？

主要发现

• 两候选人情况下的MOV目标具有单调子模性，可通过贪心选择实现 $(1-1/e)$-近似。
• POV目标即使在两候选人选举中也难以在任何常数因子内近似，表明其具有强烈的理论困难性。
• POV的双准则近似算法平均达到MILP最优胜利概率的40–60%，在窄幅选举中存在显著差异。
• 对于MOV，近似算法在所有测试网络和设置中均达到至少73%的最优胜利优势，且在两候选人场景中接近100%。
• 实证结果表明，近似算法通常能找到接近最优的策略，尤其在MOV方面，表明计算困难可能不会完全阻止现实世界中的攻击。
• MILP公式可提供最优解，但计算上仅适用于较小规模网络，凸显了对可扩展近似方法的需求。