[论文解读] Finding Rumor Sources on Random Graphs

Devavrat Shah, Tauhid Zaman|arXiv (Cornell University)|Jun 1, 2012

Complex Network Analysis Techniques参考文献 11被引用 22

一句话总结

该论文将谣言中心性扩展为在随机图上信息扩散中源检测的最大似然估计器，通过将其与多类型连续时间分支过程关联，证明了其在通用随机树和任意传播时间分布下的有效性。关键贡献是一个通用框架，可恢复先前结果，并精确量化异质网络中的检测概率。

ABSTRACT

We consider the problem of detecting the source of a rumor (information diffusion) in a network based on observations about which set of nodes possess the rumor. In a recent work [10], this question was introduced and studied. The authors proposed rumor centrality as an estimator for detecting the source. They establish it to be the maximum likelihood estimator with respect to the popular Susceptible Infected (SI) model with exponential spreading time for regular trees. They showed that as the size of infected graph increases, for a line (2-regular tree) graph, the probability of source detection goes to 0 while for d-regular trees with d ≥ 3 the probability of detection, say α[subscript d], remains bounded away from 0 and is less than 1/2. Their results, however stop short of providing insights for the heterogeneous setting such as irregular trees or the SI model with non-exponential spreading times.
 
 This paper overcomes this limitation and establishes the effectiveness of rumor centrality for source detection for generic random trees and the SI model with a generic spreading time distribution. The key result is an interesting connection between a multi-type continuous time branching process (an equivalent representation of a generalized Polya's urn, cf. [1]) and the effectiveness of rumor centrality. Through this, it is possible to quantify the detection probability precisely. As a consequence, we recover all the results of [10] as a special case and more importantly, we obtain a variety of results establishing the universality of rumor centrality in the context of tree-like graphs and the SI model with a generic spreading time distribution.

研究动机与目标

• 克服先前研究仅分析规则树和指数传播时间的局限性，以实现谣言源检测。
• 建立谣言中心性作为异质网络中鲁棒估计器，包括不规则树和非指数传播时间分布。
• 在SI模型下，对树状图中的谣言源提供检测概率的精确量化。
• 通过展示谣言中心性的普遍性，统一并推广先前结果，涵盖多种网络结构和扩散动态。

提出的方法

• 将谣言扩散过程建模为多类型连续时间分支过程，等价于广义Pólya瓮模型。
• 利用分支过程框架分析观察到给定感染节点集合的似然性。
• 在具有通用传播时间的SI模型下，推导出谣言中心性估计器作为源的最大似然估计。
• 建立分支过程与感染图结构之间的正式联系，以量化检测性能。
• 应用随机过程理论，表征网络规模增大时源检测概率的渐近行为。
• 证明对于d-正则树（d ≥ 3），检测概率保持远离零，推广了先前结果。

实验结果

研究问题

• RQ1 谣言中心性能否被扩展至通用随机树，并适用于任意传播时间分布？
• RQ2 在异质树状网络中，谣言源的精确检测概率是多少？
• RQ3 感染图的结构和传播时间分布如何影响源检测的准确性？
• RQ4 谣言中心性是否在不同网络拓扑和扩散动态中均具有普遍有效性？
• RQ5 何种潜在随机过程解释了在非规则树中检测概率的持久性？

主要发现

• 证明了谣言中心性是在通用随机树上、具有通用传播时间分布的SI模型中源检测的最大似然估计器。
• 对于d-正则树（d ≥ 3），检测概率保持远离零，推广了文献[10]中的结果。
• 对于线图（2-正则树），随着网络规模增大，检测概率仍趋于零，与先前发现一致。
• 与多类型连续时间分支过程的关联使得在多样化网络和扩散设置下能够精确量化检测概率。
• 该框架可将[10]中的所有结果作为特例恢复，证明其通用性与普适性。
• 该方法为谣言源检测提供了理论基础，对网络异质性和非指数传播时间具有鲁棒性。