[论文解读] StratLearner: Learning a Strategy for Misinformation Prevention in Social Networks

Guangmo Tong|arXiv (Cornell University)|Sep 29, 2020

Complex Network Analysis Techniques被引用 8

一句话总结

StratLearner 提出了一种结构化预测框架，可在未知底层扩散模型的情况下，学习选择对抗虚假信息的最优防护者。通过使用基于随机子图的特征和大间隔学习，其在实验中实现了接近最优的防护性能，优于现有的基于图和学习的方法。

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.

研究动机与目标

• 在未知底层扩散模型的情况下，学习一种选择社交网络中虚假信息防护者的策略。
• 在保持排列不变性的同时，解决结构化预测中集合输入与输出的挑战。
• 在不依赖完整模型知识的前提下，有效整合图结构到学习框架中。
• 在部分或无模型信息条件下，优于现有的基于图和学习的方法，在虚假信息防范任务中表现更优。
• 证明基于随机子图的特征能够足够好地近似复杂扩散动态，从而实现高质量的策略学习。

提出的方法

• StratLearner 使用 K 个随机子图对评分函数 f*(M,P) 进行参数化，其中 G(M,P) ∈ ℝ^K 表示从采样子图中距离导出的特征向量。
• 评分函数定义为 f*(M,P) = wᵀG(M,P)，可学习权重 w 通过结构化 SVM 实现大间隔优化。
• 设计了一种新型的损失增强推理方法，以应对结构化预测中精确推理的 NP-难问题。
• 该方法基于在随机采样子图上定义的距离函数构建随机特征，实现在无需显式模型知识情况下的核化评分。
• 该框架对输入和输出集合的排列保持不变，确保对节点顺序不敏感。
• 当 K 足够大时，该框架在理论上等价于触发模型与核化特征空间。

实验结果

研究问题

• RQ1 学习框架能否在不了解扩散模型的前提下，有效识别虚假信息的最优防护者？
• RQ2 如何将图结构有效整合到结构化预测框架中，以实现社交网络中基于集合的优化？
• RQ3 随机子图特征是否足够好地近似复杂扩散动态，从而支持高质量的防护者选择？
• RQ4 所提出方法在虚假信息防范中相较于现有基于图和学习的方法，性能提升程度如何？
• RQ5 该方法对底层扩散过程的先验知识敏感程度如何？

主要发现

• StratLearner 在不使用任何底层扩散模型信息的情况下，实现了接近最优的防护者选择，展现出强大的泛化能力。
• 在所有测试网络中，该方法在防护有效性方面显著优于其他基于图和学习的基线方法。
• 仅使用 100 个基于子图采样策略的特征（该策略匹配真实模型的边选择概率），StratLearner 在所有三种图类型上的防护性能比均达到至少 0.95。
• 实验表明，即使仅有部分先验知识，该方法也能受益——当子图基于模型特定的边概率构建时，性能趋近最优水平。
• 随机特征构造方法有效：仅使用单一特征（全图距离）时性能较差，而更丰富的子图采样策略则带来显著性能提升。
• 该方法在多种图类型（Kronecker、幂律、Erdős-Rényi）中均表现稳健，表明其泛化能力超越特定网络结构。