論文の概要: Hide and Seek: Outwitting Community Detection Algorithms
- arxiv url: http://arxiv.org/abs/2102.10759v1
- Date: Mon, 22 Feb 2021 03:50:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-24 19:29:36.686860
- Title: Hide and Seek: Outwitting Community Detection Algorithms
- Title（参考訳）: Hide and Seek: コミュニティ検出アルゴリズムのアウトウィット
- Authors: Shravika Mittal, Debarka Sengupta, Tanmoy Chakraborty
- Abstract要約: ネットワーク内のノードのコンテキスト位置を決定する上で,コミュニティ提携は重要な役割を果たす。
本研究は,そのようなセンシティブなコミュニティを隠して,対象ノードのコミュニティ関連を隠蔽することに焦点を当てている。
我々は,ノード中心の目的関数を厳格に最適化し,スイッチング戦略を決定する新手法であるNEURALを紹介する。
- 参考スコア（独自算出の注目度）: 17.144388833011536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Community affiliation of a node plays an important role in determining its
contextual position in the network, which may raise privacy concerns when a
sensitive node wants to hide its identity in a network. Oftentimes, a target
community seeks to protect itself from adversaries so that its constituent
members remain hidden inside the network. The current study focuses on hiding
such sensitive communities so that the community affiliation of the targeted
nodes can be concealed. This leads to the problem of community deception which
investigates the avenues of minimally rewiring nodes in a network so that a
given target community maximally hides from a community detection algorithm. We
formalize the problem of community deception and introduce NEURAL, a novel
method that greedily optimizes a node-centric objective function to determine
the rewiring strategy. Theoretical settings pose a restriction on the number of
strategies that can be employed to optimize the objective function, which in
turn reduces the overhead of choosing the best strategy from multiple options.
We also show that our objective function is submodular and monotone. When
tested on both synthetic and 7 real-world networks, NEURAL is able to deceive 6
widely used community detection algorithms. We benchmark its performance with
respect to 4 state-of-the-art methods on 4 evaluation metrics. Additionally,
our qualitative analysis of 3 other attributed real-world networks reveals that
NEURAL, quite strikingly, captures important meta-information about edges that
otherwise could not be inferred by observing only their topological structures.
- Abstract（参考訳）: ノードのコミュニティ所属は、ネットワーク内のコンテキスト位置を決定する上で重要な役割を果たします。
標的となるコミュニティは、しばしば敵から身を守るために、その構成員がネットワークの中に隠れている。
本研究は,このようなセンシティブなコミュニティを隠蔽し,対象ノードのコミュニティ連携を隠蔽することに焦点を当てている。
これにより,ネットワーク内のノードを最小に切り換える手法を調査し,対象のコミュニティがコミュニティ検出アルゴリズムから最大限に隠れるようにするコミュニティの騙し問題が発生する。
コミュニティ・デセプションの問題を定式化し,ノード中心の目的関数をグレッシブに最適化した新しい手法であるneuralを導入する。
理論的設定は、目的関数を最適化するために使用できる戦略の数を制限し、それによって複数の選択肢から最良の戦略を選択するオーバーヘッドを減らす。
また,目的関数はサブモジュラーかつモノトーンであることが示される。
合成ネットワークと7つの実世界のネットワークでテストすると、neuralは6つのコミュニティ検出アルゴリズムを欺くことができる。
4つの評価指標において,その性能を最先端の4つの手法でベンチマークする。
さらに、他の3つの属性付き実世界のネットワークを定性分析した結果、NEURALは、その位相構造だけを観察することでは推測できないようなエッジに関する重要なメタ情報を非常に顕著に捉えていることが明らかになった。
関連論文リスト
- Contrastive Deep Nonnegative Matrix Factorization for Community
Detection [29.143384185705617]
我々は、CDNMF(Contrastive Deep Non negative Matrix Factorization)という新しいコミュニティ検出アルゴリズムを提案する。
コントラスト学習にヒントを得て,ネットワークトポロジとノード属性を2つのコントラストビューとして創造的に構築する。
我々は3つの公開実グラフデータセットの実験を行い、提案モデルは最先端の手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2023-11-04T09:50:37Z) - Evading Community Detection via Counterfactual Neighborhood Search [10.990525728657747]
コミュニティ検出は、ソーシャルメディアプラットフォームが共通の関心を共有しているユーザーの密接な結び付きのあるグループを見つけるのに有用である。
一部のユーザーは、プラットフォームを離れることなく、政治的、宗教的な組織との連携など、様々な理由で匿名性を維持し、コミュニティ検出をオプトアウトしたいと考えるかもしれない。
本研究では,ネットワークグラフの構造的特性を戦略的に変更して,与えられたコミュニティ検出アルゴリズムによって1つ以上のノードが識別されるのを防ぐ,コミュニティメンバシップ隠蔽の課題に対処する。
論文 参考訳（メタデータ） (2023-10-13T07:30:50Z) - Implicit models, latent compression, intrinsic biases, and cheap lunches
in community detection [0.0]
コミュニティ検出は、ネットワークをノードのクラスタに分割して、その大規模な構造を要約することを目的としている。
いくつかのコミュニティ検出手法は、確率的生成モデルを通じてクラスタリングの目的を明示的に導出する。
他の方法は記述的であり、特定のアプリケーションによって動機付けられた目的に応じてネットワークを分割する。
本稿では,コミュニティ検出対象,推論対象,記述対象とそれに対応する暗黙的ネットワーク生成モデルとを関連付けるソリューションを提案する。
論文 参考訳（メタデータ） (2022-10-17T15:38:41Z) - Improving Fraud detection via Hierarchical Attention-based Graph Neural
Network [6.7713383844867385]
不正検出のためのグラフニューラルネットワーク(HA-GNN)は、カモフラージュに対する異なる関係にわたって重み付けされた隣接行列を組み込む。
ローカル/ロングレンジ構造と元のノード特徴から情報を集約してノード埋め込みを生成する。
実世界の3つのデータセットの実験は、最先端技術に対する我々のモデルの有効性を実証している。
論文 参考訳（メタデータ） (2022-02-12T16:27:16Z) - Frequent Itemset-driven Search for Finding Minimum Node Separators in
Complex Networks [61.2383572324176]
本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。
頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。
特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
論文 参考訳（メタデータ） (2022-01-18T11:16:40Z) - Uncovering the Local Hidden Community Structure in Social Networks [20.467702194064525]
本稿では,元のネットワークからサンプリングしたサブグラフ上で各レイヤを反復的に検出・増強する手法を提案する。
本手法は, 崩壊したコミュニティと地域コミュニティが, サブグラフの1つのコミュニティと見なされる状況を回避することができることを示す。
論文 参考訳（メタデータ） (2021-12-08T04:07:19Z) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z) - Certified Robustness of Community Detection against Adversarial
Structural Perturbation via Randomized Smoothing [81.71105567425275]
本研究は, 対向構造摂動に対するコミュニティ検出の信頼性保証を初めて開発した。
このスムーズなコミュニティ検出手法は,任意のノード群を同一のコミュニティにグループ化する。
また,本手法を複数の実世界グラフ上で実験的に評価した。
論文 参考訳（メタデータ） (2020-02-09T18:39:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。