의견 조작 방어에 대한 사용자 검색 취약

최근 몇 년 동안 온라인 소셜 네트워크가 확산 및 대립을 위한 널리 보급되고 중추적인 플랫폼으로 부상했지만 여전히 성장하고 있다. 그러한 사이버 공간에서, 수많은 사용자들이 사회적 주제를 논의하고 개인적인 의견을 공유하는 한편, 악의적인 의견 조작을 위한 완벽한 플랫폼을 제공한다. 예를 들어 악의적인 셀러가 일부 루머에 대한 의견 조작을 유익성을 위해 이용했다면 소금이 COVID-19 바이러스 예방에 매우 효과적일 수 있다. 또한, 이 사이버 공간에 대한 전례 없이 편리한 액세스는 악의적인 의견 조작에 대한 접근 방식도 다양화한다. 조작자는 인간과 유사한 인공지능(AI) 에이전 트을 활용 하여 자동 조작을 달성함으로써 기존의 방어 방법을 엄격하고 무능하게 만들 수 있다. 따라서 의견 조작을 방어하기 위해서는 보다 유연하고 발전된 AI 기반 대책이 절실하다.

의견 방어 내에서, 한 가지 두드러지고 전형적인 접근 방식은 의도적인 예방을 실행하기 위해 취약하고 주요 사용자를 지능적으로 검색하는 것이다. 이러한 주요 사용자는 모두 취약하며 여론에 지배적인 영향을 미치기 때문에 악의적인 조작자의 표적이 될 가능성이 높다. 따라서, 주어진 사회적 플랫폼을 위해 그러한 사용자를 찾는 것은 의견 대립의 양쪽에 모두 중요하다. 아베 외 연구진들은 먼저 이 검색 작업을 사용자 선천적 의견, 민감성 및 사용자 친구들의 의견에 의해 사용자 의견이 공동으로 결정되는 다양한 민감성을 가진 의견 역학(ODVS) 문제로 공식화했다. ODVS의 목적은 다수의 주요 사용자를 검색하고 특정 수준에 대한 민감도를 변화시켜 거의 알지 못하는 방식으로 모든 사용자의 목표 의견 지지를 최대화하거나 최소화하는 것이다. 따라서 조작자는 모든 사용자를 직접 겨냥하는 대신 의견 확산을 이용하여 대중을 조종하는 소수의 사용자 그룹에만 영향을 줄 수 있다.

일반적으로 ODVS는 NP-Hard인 것으로 입증되며, 예산되지 않은 및 예산되지 않은 조건으로 분류됩니다. 예산되지 않은 조건에서 조작자는 모든 사용자의 취약점을 변경할 수 있으므로 주요 사용자 검색은 불필요하다. Chan 등은 계획되지 않은 조건을 체계적으로 조사하고, 최적화된 민감도 값을 선택하기 위한 효과적인 전략을 제안했다. 이 방법은 최첨단 성능을 제공하고 취약점 결정의 복잡성을 선형 시간으로 감소시킨다. 반면에, 예산 조건(BOVS라고 함)은 조작자가 제한된 수의 사용자의 민감성을 변화시킬 수 있게 한다. BOVS는 실제로 모든 사용자(예산되지 않은 조건)의 직접적 민감성을 직접 변화시키는 것이 현실적으로 불가능할 수 있기 때문에 더 실용적이고 가치가 있다. 그러나 기존 연구는 BOVS에 대한 적절하고 주목할 만한 연구가 부족하다. 기존의 BOVS에 대한 탐욕 검색 알고리듬은 단순히 민감도를 최소로 설정하고 최대 민감도를 최적으로 보유하는 잠재적 주요 사용자를 무시한다. 또한, 이러한 근사 알고리듬은 높은 계산 소비량을 요구하며 성능 보장을 제공하지 않는다.

따라서 이 작업은 BOVS 문제를 재고하고 커뮤니티 속성에 기반한 가속 알고리듬과 함께 새로운 탐욕 알고리듬을 제안한다. 포괄적 분석에 따르면, 두 알고리듬 모두 민감도가 감소하는 예산 의견 역학(약칭 BODS) 문제로 불리는 BOVS의 특별한 경우에서 일정한 근사 보증을 제공하는 것으로 밝혀졌다. 사용자 민감도를 증가시키거나 감소시킬 수 있는 기본 BOVS와 비교하여, BODS는 내림차순으로 사용자 민감도를 변화시키려고만 할 것이다. 일반적으로 BODS의 하강 가정은 사용자를 완고하게 만드는 것(취약성 감소)이 사용자를 취약하게 만드는 것보다 더 쉽기 때문에 실제로 더 실용적이다. 이러한 가정에는 심리적인 이유와 환경적인 이유가 모두 있다. 심리적인 관점에서, 사람들은 그들에 대해 선천적으로 믿는 것을 믿고 이후의 의견에 저항하는 것을 선호한다. 환경적 관점에서, 소셜 네트워크의 필터 버블은 항상 사용자의 타고난 의견을 뒷받침하는 콘텐츠를 보여주며, 또한 그들의 믿음을 강화시킨다. 따라서 사용자 민감도를 감소시키는 것만이 양쪽 방향으로 변화하는 것보다 더 효과적이고 합리적일 것이다.

구체적으로, 본 연구는 민감도 값을 결정하는 최적의 전략을 통해 기존 알고리듬의 부족을 극복하는 BOVS를 위한 고급 탐욕 알고리듬을 제안한다.