选民登记文件变更的异常检测与自动标注
密码学与安全
2021-06-30 v1 计算机与社会
机器学习
应用统计
摘要
美国选举中的选民资格由包含合格公民投票信息的各州数据库拼凑决定。州和地方层级的管理员面临着确保各自辖区得到妥善管理、同时监控数据库是否被不当修改的极其困难的任务。监控选民登记文件（VRF）的变更至关重要，因为意图破坏美国民主进程的恶意行为者若想达成目标，最好操纵这些文件的内容。2020 年，我们看到选举官员在主持美国历史上最具争议之一的选举时表现出色，但在保护和监控美国人依赖的选举系统方面仍有大量工作要做。利用通过比较随时间拍摄的 VRF 快照所创建的数据，我们提出一组利用机器学习的方法来减轻分析师和管理员在保护选民名册上的负担。我们首先评估多种无监督异常检测方法在检测 VRF 修改上的有效性，将异常变更建模为稀疏加性噪声。在此设定下，我们确定比较短时间跨度内行政区的统计模型与非负矩阵分解最能有效地浮现异常事件以供审查。这些方法在 2019–2020 年部署于我们组织的监控系统中，并与爱荷华州州务卿办公室协作使用。此外，我们提出了一种新部署的模型，利用历史和人口统计元数据来标注数据库修改的可能根本原因。我们希望使用该模型预测哪些修改具有已知原因，从而更好地识别潜在异常修改。
引用
@article{arxiv.2106.15285,
title = {Anomaly Detection and Automated Labeling for Voter Registration File Changes},
author = {Sam Royston and Ben Greenberg and Omeed Tavasoli and Courtenay Cotton},
journal= {arXiv preprint arXiv:2106.15285},
year = {2021}
}