Mining social and cryptocurrency networks

Béres, Ferenc

Mining social and cryptocurrency networks

Kulcsszó: Műszaki tudományok/Informatikai tudományok
dynamic graphs
network centrality
node embeddings
cryptocurrency network analysis
dinamikus gráfok
gráf központiság
csomópont-beágyazás
kriptopénz hálózatelemzés

URI: http://hdl.handle.net/10831/85747

Könyvtári katalógus link: https://opac.elte.hu/Record/opac-EUL01-1107637

MTMT: 33880798

DOI: 10.15476/ELTE.2022.171

Absztrakt:

A gráfadatokkal kapcsolatos egyik fő probléma az, hogy a klasszikus gépi tanuló módszerekbe történő betáplálásuk nem egyértelmű feladat. Az olyan algoritmusok, mint a logisztikus regresszió vagy döntési fák csak táblázatos adatokkal működnek jól. A csúcs szomszédságok eltérő mérete miatt a nyers hálózati adatok nem tekinthetők táblázatosnak. A közelmúltban számos statikus csomópont-beágyazási módszert javasoltak a hálózati csúcsok vektortér-reprezentációjának megtanulására a downstream gépi tanulási feladatokhoz.

Számos adatintenzív feladatnál, ahol a hálózati résztvevők közötti interakciók az idő múlásával folyamatosan érkeznek, elengedhetetlen a kiszolgálást végző hálózatelemző eljárások újratanítása. A statikus algoritmusok újratanítása nagyméretű gráf pillanatképek esetén jelentős késéshez vezethet az előrejelzésben. Ezekben a feladatokban éppen ezért az online gráfelemző eljárásokat részesítik előnyben.

Kutatásom során közösségi és kriptopénz hálózatok felhasználói interakcióit elemeztem, valamint a kapcsolódó metaadatok segítségével felügyelt módon értékeltem ki a vizsgált gráfelemző eljárásokat. Disszertációm célja többek között az alábbi kérdések megválaszolása:
(1) Melyek az online hálózatelemzési technikák fő előnyei a nagyméretű közösségi hálózatok statikus modelljeivel szemben, és hogyan lehet a legjobban összehasonlítani teljesítményüket? Kutatásunkban a gráfközpontiság és a csomópont-beágyazó technikákra koncentrálunk és három online algoritmust dolgozunk ki a kapcsolódó problémák megoldására.
(2) Az újszerű gráfelemző eljárások milyen formában nyújtanak segítségek a kriptoökonómia és az adatvédelem területén felmerülő nyitott kérdéseket megválaszolásában?

Különféle új Twitter-és kriptovaluta adathalmazok gyűjtésével, számos hálózati alkalmazásban az elsők között elemeztük a csúcs-beágyazó módszerek teljesítményét, például az oltásszkeptikus tartalmak felismerésében vagy az Ethereum-címek deanonimizálásában.

Abstract:

A general problem with graph data is that it cannot be fed to classical machine learning methods in a straightforward way. Algorithms like logistic regression or decision trees only work well with tabular data. Due to the irregular size of node neighborhoods, raw network data cannot be considered tabular. Recently, several static node embedding models were proposed to learn a vector space representation of network nodes for downstream machine learning tasks. Unfortunately, static graph mining models do not perform well in data-intensive tasks where interactions between network participants are constantly arriving over time. Fitting batch algorithms for large graph snapshots could cause a significant time-delay in the prediction. That is why online graph learning techniques are much preferred in these scenarios. In this thesis, I analyze user interactions in social and cryptocurrency networks with user-related metadata that can be used as ground truth for most of the addressed graph mining tasks. Specifically, we intend to answer the following questions: (1) What are the main advantages of online graph mining techniques over batch models for large-scale social networks and how to best compare their performance? In our research, we focus on graph centrality and node embedding techniques and we propose three online algorithms for these domains. (2) How to mine cryptocurrency networks with novel network science tools to answer open questions in the domain of cryptoeconomics and privacy? By collecting various new Twitter and cryptocurrency network data sets, we were among the first to deploy and analyze node embedding models in several network applications such as vaccine skepticism detection or Ethereum address deanonymization.

A tétel részletes adatai