Causal Influences over Social Learning Networks

Probleemstelling
Het identificeren van invloedrijke actoren binnen sociale netwerken is een kritieke uitdaging met toepassingen variërend van het detecteren van propaganda tot het optimaliseren van gerichte reclame. Echter, traditionele methoden voor het schatten van invloed vertrouwen vaak op netwerktopologiemetrics (bijvoorbeeld eigenvectorcentraliteit) of beschrijvende importantiefactoren, die niet in staat zijn onderscheid te maken tussen correlatie en causaliteit. In sociale netwerken verspreidt en mengt informatie zich in de tijd, waardoor ripple-effecten en verstorende factoren (zoals homofilie of gedeelde externe bronnen) ontstaan die de ware causale relaties verduisteren. Bovendien vertrouwen bestaande causale benaderingen vaak op gerandomiseerde experimenten, die in echte sociale situaties vaak niet haalbaar zijn, of maken ze gebruik van voorspellende hulpmiddelen zoals Granger-causaliteit die niet robuust zijn tegen latente verstorende factoren. Dit artikel adresseert de behoefte aan een rigoureus kader om causale invloeden tussen actoren in dynamische sociale leernetwerken te kwantificeren met behulp van observationele data.

Methodologie
De auteurs benaderen het probleem door de lens van Structurele Causale Modellen (SCM's), waarbij invloed wordt gedefinieerd als de verandering in het gedrag van een actor als gevolg van een interventie. Het onderzoek maakt gebruik van twee gevestigde wiskundige modellen voor sociaal leren over grafen:

1. Niet-Bayesiaans Sociaal Leren (NBSL): Een kader waarin actoren hun overtuigingen bijwerken via een lokale Bayesiaanse stap, gevolgd door een geometrisch gemiddelde van de overtuigingen van buren.
2. Adaptief Sociaal Leren (ASL): Een uitbreiding die temporele wegingsparameters introduceert om recente waarnemingen te prioriteren, wat aanpassing in niet-stationaire omgevingen mogelijk maakt.

De kernmethodologie omvat het analyseren van de "atomaire en persistente interventie" op een specifieke actor $m$, waarbij de overtuiging van $m$ wordt vastgezet op een constante waarde ($do(\mu_m)$). De auteurs leiden gesloten-vorm uitdrukkingen af voor de resulterende asymptotische log-overtuigingsverhoudingen van alle andere actoren in het netwerk. Deze uitdrukkingen zijn afhankelijk van de netwerktopologie (gerepresenteerd door de combinatiematrix $A$) en de individuele informativiteit van de actoren (gekwantificeerd door Kullback-Leibler-divergenties).

Om realistische scenario's aan te pakken waarbij modelparameters onbekend zijn, stelt het artikel een Graph Causality Learning (GCL)-algoritme voor. Deze methode schat de benodigde parameters (combinatieweegs en actor-informativiteit) direct uit ruwe observationele data, specifiek sequenties van gedeelde tussentijdse overtuigingen (acties) en de bekende netwerktopologie (adjacentiematrix).

Belangrijkste Bijdragen

• Causale Impactcriterium: Het artikel stelt een nieuw criterium voor om de causale impact van de ene actor op de andere te kwantificeren voor elk paar $(m, k)$ in een dynamisch netwerk. Dit is afgeleid voor zowel NBSL- als ASL-kaders, en biedt gesloten-vorm uitdrukkingen die onthullen hoe instantane effecten zich in de tijd en ruimte verspreiden.
• CausalRank-algoritme: Om actoren te rangschikken op basis van hun algehele invloed, introduceren de auteurs CausalRank. In tegenstelling tot eenvoudige gemiddelden of standaard centraliteitsmaten, construeert dit algoritme een bipartiete causale invloedsmatrix en berekent de hoofd-eigenvector ervan. Deze benadering weegt de invloed van een actor op basis van de invloed van de actoren die zij beïnvloeden, en identificeert zo effectief actoren die invloedrijk zijn op andere invloedrijke actoren.
• Graph Causality Learning (GCL): Er wordt een algoritme geïntroduceerd om causale invloeden te schatten uit observationele data zonder dat grondwaarheid over modelparameters vereist is. Het artikel biedt een theoretische ondergrens die aantoont dat de schattingsfout afneemt met $O(1/\sqrt{M})$ met het aantal steekproeven $M$.
• Analyse van Speciale Gevallen: Het onderzoek analyseert expliciet hoe causale effecten afhankelijk zijn van netwerkparameters in specifieke topologieën, zoals volledig verbonden (federale) architecturen en unidirectionele ringen, en illustreert de rollen van netwerkcenraliteit, actor-informativiteit en vergetelfactoren.

Resultaten

• Synthetische Data: Simulaties op een netwerk van 11 actoren tonen aan dat de causale invloedsmatrix significant verschilt van de ruwe combinatiematrix. Bijvoorbeeld, actoren met lage informativiteit blijken vatbaarder voor invloed, en indirecte invloedsroutes kunnen sterker zijn dan directe routes als gevolg van informatiemenging.
• Robuustheid: Het CausalRank-algoritme blijkt robuust te zijn tegen "volger-inflatie"-aanvallen (waarbij bot-accounts het volgersaantal van een gebruiker kunstmatig opblazen). Waar traditionele metrics zoals volgersaantal en gemiddelde invloedsrangschikking (AIR) gevoelig zijn voor dergelijke manipulatie, behoudt CausalRank een stabiele rangschikking omdat het rekening houdt met de daadwerkelijke causale impact in plaats van alleen het aantal verbindingen.
• Toepassing in de Wereld: Het GCL-algoritme is toegepast op een sub-netwerk van 20 Twitter-gebruikers die discussiëren over cryptocurrency. Met behulp van natuurlijke taalverwerking om sentiment uit tweets te extraheren als overtuigingsinput, identificeerde het onderzoek Elon Musk (Gebruiker 1) als de meest invloedrijke actor. Opmerkelijk genoeg verschildde de causale rangschikking van eigenvectorcentraliteit; bijvoorbeeld had Gebruiker 2 een hoge centraliteit maar een lage causale impact, waarschijnlijk vanwege lage informativiteit (bijvoorbeeld retweeten zonder nieuwe informatie toe te voegen).
• Correlatie versus Causaliteit: Experimenten bevestigden dat hoewel het verhogen van de correlatie van externe waarnemingen de correlatie van de overtuigingen van actoren verandert, de geschatte causale effecten constant blijven, wat het vermogen van de methode demonstreert om niet-causale verstorende factoren te filteren.

Beteekenis
Het artikel claimt de eerste studie te zijn die de diffusie van invloed over ruimte en tijd in sociale leernetwerken onderzoekt vanuit het perspectief van causale inferentie. Door invloed te behandelen als een causale grootheid afgeleid van structurele causale modellen, biedt het werk een methode om spurious associaties die correlatie-gebaseerde benaderingen teisteren, te verwerpen. Het voorgestelde kader is significant voor zowel het modelleren van opinievorming in menselijke sociale netwerken als het ontwerpen van gedistribueerde besluitvormingssystemen voor multi-agent systemen (bijvoorbeeld sensoren, robots). Het vermogen om causale structuren te leren uit observationele data maakt de benadering bijzonder waardevol voor analyse van sociale media in de echte wereld, waar gecontroleerde experimenten onpraktisch zijn. De auteurs merken bescheiden op dat hoewel hun resultaten robuust zijn, het ontbreken van grondwaarheid in sociale netwerken in de echte wereld een uitdaging blijft, en zij laten de verkenning van gecontroleerde experimenten op basis van Large Language Models (LLM's) over voor toekomstig werk.