[论文解读] Rumor Source Detection under Querying with Untruthful Answers

Jaeyoung Choi, Sangwoo Moon+4 more|arXiv (Cornell University)|Nov 15, 2017

Complex Network Analysis Techniques参考文献 21被引用 5

一句话总结

本文提出了在两种查询模型——批量查询与带方向的交互式查询——下，针对用户可能说谎情境的谣言源检测新估计算法。理论分析表明，当诚实报告概率 $ p > 1/2 $ 时，预算 $ K \geq \frac{c(2/\delta)}{(p-1/2)^2 \log(\log(2/\delta))} $ 可确保检测概率至少为 $ 1 - \delta $，显著优于基线方法。

ABSTRACT

Social networks are the major routes for most individuals to exchange their opinions about new products, social trends and political issues via their interactions. It is often of significant importance to figure out who initially diffuses the information, ie, finding a rumor source or a trend setter. It is known that such a task is highly challenging and the source detection probability cannot be beyond 31 percent for regular trees, if we just estimate the source from a given diffusion snapshot. In practice, finding the source often entails the process of querying that asks "Are you the rumor source?" or "Who tells you the rumor?" that would increase the chance of detecting the source. In this paper, we consider two kinds of querying: (a) simple batch querying and (b) interactive querying with direction under the assumption that queries can be untruthful with some probability. We propose estimation algorithms for those queries, and quantify their detection performance and the amount of extra budget due to untruthfulness, analytically showing that querying significantly improves the detection performance. We perform extensive simulations to validate our theoretical findings over synthetic and real-world social network topologies.

研究动机与目标

• 解决社交网络中用户可能对查询提供不实回答时的谣言源检测挑战。
• 对两种查询策略（批量查询与带方向的交互式查询）的影响进行建模与量化。
• 在有限查询预算与不实回答的约束下，开发最大化检测概率的估计算法。
• 在不实回答条件下，通过理论推导实现目标检测性能的最小预算需求。
• 通过在合成网络与真实网络拓扑上的大规模仿真，验证理论发现。

提出的方法

• 提出一种优化框架，在批量查询下联合选择候选被查询对象集合、查询次数与估计策略，以最大化检测概率。
• 提出一种基于过滤的估计算法，根据节点与谣言中心的跳数距离，从候选集合中选择正向回答次数较高的节点。
• 在交互式查询中应用多数规则投票机制，根据方向回答选择下一个被查询对象，即使回答部分不实亦能有效运作。
• 利用不完全贝塔函数与切尔诺夫-霍夫丁不等式，分析在不实回答下正确识别谣言源的概率。
• 利用集中不等式推导检测概率的理论边界，表明错误概率随预算与诚实度呈指数衰减。
• 为两种查询模型建立最小预算阈值，以实现目标检测概率 $ 1 - \delta $，其依赖于诚实度与网络度数。

实验结果

研究问题

• RQ1 在不实回答条件下，批量查询如何影响谣言源的检测概率？
• RQ2 在批量查询中，为实现目标检测概率，不实回答下的最小查询预算是多少？
• RQ3 当用户可能隐瞒其源点或传播路径时，带方向的交互式查询如何提升源点检测性能？
• RQ4 在交互式查询中，诚实度、网络结构与检测性能之间的理论关系是什么？
• RQ5 在不实回答条件下，交互式查询中的简单多数投票策略是否能优于朴素启发式方法？

主要发现

• 在批量查询中，当诚实报告概率 $ p > 1/2 $ 时，预算 $ K \geq \frac{c(2/\delta)}{(p-1/2)^2 \log(\log(2/\delta))} $ 可确保检测概率至少为 $ 1 - \delta $，其中 $ c $ 依赖于网络度数 $ d $。
• 批量查询下的检测概率随诚实回答数量显著提升，所提出的过滤算法通过聚焦正向回答次数高的节点，有效提升了估计性能。
• 在交互式查询中，所提出的基于多数规则的算法即使在用户以概率 $ 1 - q $ 说谎时（方向问题中 $ q > 1/d $），仍能实现高检测性能。
• 理论分析表明，交互式查询下的检测概率衰减为 $ 1 - e^{-\frac{r(d-1)(q-1/d)^2}{3d(1-q)}} $，表明其对诚实度与网络结构具有强依赖性。
• 在合成网络与真实网络上的仿真验证了理论边界，显示随着查询预算增加，检测性能持续提升。
• 研究表明，实现特定检测性能所需的最小预算与诚实度概率的平方成反比，凸显了回答可靠性在检测中的关键作用。