論文の概要: Modeling Aggression Propagation on Social Media
- arxiv url: http://arxiv.org/abs/2002.10131v3
- Date: Fri, 25 Jun 2021 09:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 05:16:42.061519
- Title: Modeling Aggression Propagation on Social Media
- Title（参考訳）: ソーシャルメディアにおける攻撃的伝播のモデル化
- Authors: Chrysoula Terizi, Despoina Chatzakou, Evaggelia Pitoura, Panayiotis
Tsaparas and Nicolas Kourtellis
- Abstract要約: Cyberaggressionはさまざまな状況やオンラインソーシャルプラットフォームで研究されている。
本稿では,ソーシャルメディア上での攻撃の伝播について,意見ダイナミクスを用いて検討する。
我々は,攻撃的あるいは正規的なユーザとの接続状況に応じて,攻撃性があるユーザから別のユーザへどのように伝播するかをモデル化する方法を提案する。
- 参考スコア（独自算出の注目度）: 4.99023186931786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cyberaggression has been studied in various contexts and online social
platforms, and modeled on different data using state-of-the-art machine and
deep learning algorithms to enable automatic detection and blocking of this
behavior. Users can be influenced to act aggressively or even bully others
because of elevated toxicity and aggression in their own (online) social
circle. In effect, this behavior can propagate from one user and neighborhood
to another, and therefore, spread in the network. Interestingly, to our
knowledge, no work has modeled the network dynamics of aggressive behavior. In
this paper, we take a first step towards this direction by studying propagation
of aggression on social media using opinion dynamics. We propose ways to model
how aggression may propagate from one user to another, depending on how each
user is connected to other aggressive or regular users. Through extensive
simulations on Twitter data, we study how aggressive behavior could propagate
in the network. We validate our models with crawled and annotated ground truth
data, reaching up to 80% AUC, and discuss the results and implications of our
work.
- Abstract（参考訳）: Cyberaggressionはさまざまなコンテキストやオンラインソーシャルプラットフォームで研究され、最先端の機械学習アルゴリズムとディープラーニングアルゴリズムを使用してさまざまなデータをモデル化して、この動作の自動検出とブロックを実現している。
ユーザは、自身の(オンラインの)ソーシャルサークルにおける毒性と攻撃性の増加によって、攻撃的に行動したり、他人をいじめたりすることができる。
事実上、この動作は、あるユーザや近隣から別のユーザへと伝播するので、ネットワーク中に広がります。
興味深いことに、我々の知る限り、攻撃的行動のネットワークダイナミクスをモデル化した研究は行われていない。
本稿では,ソーシャルメディア上での攻撃の伝播を意見ダイナミクスを用いて研究することで,この方向への第一歩を踏み出す。
我々は,攻撃的あるいは通常のユーザとの接続方法に応じて,攻撃性をあるユーザから別のユーザへと伝播させる方法をモデル化する方法を提案する。
Twitterデータに対する広範なシミュレーションを通じて、攻撃的行動がネットワーク内でどのように伝播するかを研究する。
我々は,アノテートされた基底真理データを用いてモデルの検証を行い,最大80%のaucに到達し,研究の結果と影響について議論した。
関連論文リスト
- A Survey on Online User Aggression: Content Detection and Behavioural
Analysis on Social Media Platforms [1.7626756873727654]
ソーシャルメディアプラットフォームの普及は、サイバーいじめ、オンラインハラスメント、攻撃的およびヘイトスピーチの普及など、サイバー攻撃的な行動の増加につながっている。
これらの行動は、オンラインの匿名性から、うつ病、自殺傾向、場合によってはオフライン暴力などの現実的な結果まで、社会的な重大な結果に結びついている。
本稿では,異なる研究のギャップを埋めることを目的として,攻撃的ユーザに対する攻撃的コンテンツ検出と行動分析の分野を掘り下げる。
論文 参考訳（メタデータ） (2023-11-15T20:59:13Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Investigating Human-Identifiable Features Hidden in Adversarial
Perturbations [54.39726653562144]
我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。
対人摂動における人間の識別可能な特徴を同定する。
画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
論文 参考訳（メタデータ） (2023-09-28T22:31:29Z) - Learning to Influence Human Behavior with Offline Reinforcement Learning [70.7884839812069]
人間の準最適性を捉える必要があるような環境での影響に焦点を当てる。
人間によるオンライン実験は安全ではない可能性があり、環境の高忠実度シミュレータを作成することは現実的ではないことが多い。
オフライン強化学習は、観察された人間・人間の行動の要素を拡張し、組み合わせることで、人間に効果的に影響を及ぼすことができることを示す。
論文 参考訳（メタデータ） (2023-03-03T23:41:55Z) - When Cyber Aggression Prediction Meets BERT on Social Media [1.0323063834827415]
最先端のディープラーニングアルゴリズムに基づくサイバー攻撃予測モデルを提案する。
我々は、社会的排除、悪意あるユーモア、罪悪感の3つの側面について、サイバー攻撃を精査する。
本研究は,サイバー攻撃予測のための理論モデルを提供する。
論文 参考訳（メタデータ） (2023-01-05T02:26:45Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Learning to Learn Transferable Attack [77.67399621530052]
転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。
本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。
提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
論文 参考訳（メタデータ） (2021-12-10T07:24:21Z) - Analyzing Wikipedia Membership Dataset and PredictingUnconnected Nodes
in the Signed Networks [0.666659730119789]
本研究では、Precison-Recall曲線とROCの下の領域を用いて、ソーシャルネットワーク内の2人の非接続者間の関係を予測する方法について検討する。
ソーシャル・ネットワークを署名グラフとしてモデル化し、トライadicモデル、Latent Informationモデル、Sentimentモデルを比較し、ピア・ピア間の相互作用を予測する。
論文 参考訳（メタデータ） (2021-10-18T09:03:18Z) - Hater-O-Genius Aggression Classification using Capsule Networks [6.318682674371969]
攻撃的なつぶやきを自動的に識別し分類する,エンドツーエンドのアンサンブルに基づくアーキテクチャを提案する。
ツイートは、Covertly Aggressive、Overtly Aggressive、Non-Aggressiveの3つのカテゴリに分類される。
我々の最良のモデルはCapsule Networksのアンサンブルであり、Facebookのテストセットで65.2%のF1スコアを獲得し、TRAC-2018の勝者よりもパフォーマンスが0.95%向上した。
論文 参考訳（メタデータ） (2021-05-24T11:53:58Z) - Detecting Online Hate Speech: Approaches Using Weak Supervision and
Network Embedding Models [2.3322477552758234]
本研究では,ヘイトフルユーザを定量的に発見する弱監督型深層学習モデルを提案する。
我々は、19.2Mの投稿において、我々のモデルを評価し、我々の弱い監督モデルは、間接的に憎悪的な相互作用を識別するベースラインモデルよりも優れていることを示す。
また,Gabにおける2種類のユーザインタラクション(引用と応答)と,弱監督モデルからのインタラクションスコアをエッジウェイトとして分析し,ヘイトフルユーザを予測する。
論文 参考訳（メタデータ） (2020-07-24T18:13:52Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2020-02-05T11:10:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。