민감 정보 확산 억제를 위한 대규모 행동 그래프 밴딧 알고리즘 BLAG

초록

본 논문은 부분적으로 알려진 소셜 네트워크에서 민감 정보가 무분별하게 퍼지는 것을 방지하기 위해, 사용자들의 전파 능력을 학습하고 이를 기반으로 전파 확률을 조절하는 제한된 조합형 멀티암 밴딧 모델을 제안한다. 제안된 BLAG 알고리즘은 행동 집합을 그래프로 표현해 O(n) 시간 복잡도로 탐색·활용을 수행하며, 기존 CUCB 대비 시간 제한 내 regret를 절반으로 낮춘다. 실험 결과, 정보 손실을 40 % 이상 감소시키고 학습 효율을 10배 이상 향상시켰으며, 민감 정보의 전파를 현저히 지연시켰다.

상세 분석

본 연구는 소셜 네트워크에서 민감 정보가 급속히 확산되는 현상을 제어하고자 하는 새로운 문제 설정을 제시한다. 기존 연구들은 전파 확률을 고정하거나 전체 네트워크 구조를 완전하게 알 때만 적용 가능했으나, 실제 서비스에서는 많은 사용자의 1‑hop 이웃 정보가 누락된 ‘반정보’(semi‑informed) 상황이 일반적이다. 논문은 이러한 상황을 “사용자의 전파 능력(정도는 노드 차수와 양의 상관관계 가정)”을 학습하고, 전파 확률을 동적으로 조정함으로써 고차수(전파 능력 강) 노드에 대한 민감 정보 전송을 억제하고, 저차수(전파 능력 약) 노드에 더 많이 전파하도록 설계한다.

문제는 제한된 라운드 내에서 전파 확률 변동 벡터 Δβ를 선택해 목표 함수 −→D·(−→β₀+Δβ) 를 최소화하는 것으로 정의된다. 여기서 −→D는 미지의 차수 벡터, −→β₀는 초기 전파 확률, Δβ는 라운드별 조정값이다. 이를 “제한된 조합형 멀티암 밴딧(Constrained Combinatorial Multi‑Arm Bandit, CCMAB)” 문제로 매핑한다.

핵심 매핑 요소는 다음과 같다.

• Trial: 한 라운드의 전파 정책 Δβₜ.
• Base‑action: 두 개의 엣지에 대해 전파 확률을 동일하게 감소·증가시키는 벡터 βᵢ, 비제로 원소가 정확히 두 개이며 합이 0.
• Super‑action: 여러 base‑action을 조합한 Δβ, 단 조합이 유효하려면 모든 엣지에 대해 0 ≤ β₀(i)+∑βᵢ(i) ≤ 1을 만족해야 함.
• Reward: 관측된 피드백 −→D·Δβ + σ(가우시안 잡음).

행동 집합이 O(m²) (m은 목표 노드 수) 로 급증하는 문제를 해결하기 위해, 논문은 Action Set Graph (ASG) 를 도입한다. 각 노드는 하나의 base‑action을, 두 노드 사이에 무가중치 간선이 존재하면 두 base‑action의 조합이 유효함을 의미한다. 따라서 유효한 조합은 ASG의 클리크와 동일시된다.

학습 전략은 ε‑greedy 로, ε는 라운드가 진행될수록 감소한다. 탐색 단계에서는 가능한 많은 base‑action을 동시에 선택해 큰 클리크를 구성한다. 이를 위해 BFS‑like 절차를 사용해 무작위 노드에서 시작해 1‑hop 이웃을 차례로 검증·추가한다. 탐색은 “Maximum Clique” 문제와 유사하지만, 다중 홉 노드는 반드시 충돌하므로 1‑hop만 고려한다.

활용 단계에서는 현재 추정된 보상이 가장 낮은 조합을 찾는다. 이는 “Maximum Weighted Clique” 문제와 대응되며, 노드를 보상 순으로 정렬한 뒤, 현재 조합과 충돌하지 않으며 전체 보상을 감소시키는 경우에만 추가하는 그리디 방식을 채택한다.

각 라운드 종료 후, 선택된 base‑action들의 보상을 개별적으로 업데이트하고 선택 횟수를 기록한다. 이 과정은 O(n) 시간에 수행되며, 전체 알고리즘 복잡도는 O(n · T) (T는 라운드 수) 로, 기존 CUCB의 O(m²) 대비 크게 효율적이다.

이론적 분석에서는 BLAG가 제한된 라운드 T 내에서 regret ≤ (1/2)·R_CUCB(T) 를 만족함을 증명한다. 핵심 아이디어는 ε‑greedy가 탐색 비율을 적절히 감소시켜 초기 탐색 비용을 최소화하고, 이후 활용 단계에서 최적에 근접한 조합을 빠르게 수렴시키는 것이다.

실험은 합성 그래프와 세 개의 실제 소셜 네트워크(예: Twitter, Facebook, Reddit) 데이터셋을 사용했다. 평가 지표는 (1) 정보 손실률(민감 정보 차단으로 비민감 정보가 감소한 비율), (2) 학습 효율(주어진 라운드 내 최적 정책에 도달하는 속도), (3) 전파 지연(민감 정보가 대규모로 퍼지는 시점의 지연). BLAG는 모든 데이터셋에서 정보 손실을 최소 40 % 감소시키고, CUCB 대비 10배 이상 빠른 수렴을 보였으며, 민감 정보의 전파를 평균 30 %~50 % 지연시켰다.

결론적으로, BLAG는 부분적으로 알려진 대규모 네트워크에서 민감 정보 확산을 효과적으로 제어할 수 있는 실용적인 밴딧 기반 프레임워크이며, 행동 집합을 그래프로 압축하고 ε‑greedy 탐색‑활용 전략을 결합함으로써 기존 방법보다 현저히 낮은 regret와 높은 확장성을 달성한다. 향후 연구는 비정형 피드백(예: 사용자 신고)과 동적 네트워크 변화를 고려한 확장, 그리고 다중 민감도 레벨을 동시에 다루는 다목적 최적화로 이어질 수 있다.