論文の概要: Majority Opinion Diffusion in Social Networks: An Adversarial Approach
- arxiv url: http://arxiv.org/abs/2012.03143v1
- Date: Sat, 5 Dec 2020 23:30:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 12:58:23.391534
- Title: Majority Opinion Diffusion in Social Networks: An Adversarial Approach
- Title（参考訳）: ソーシャルネットワークにおける多数意見拡散 : 敵対的アプローチ
- Authors: Ahad N. Zehmakan
- Abstract要約: 我々は、新しい多数意見拡散モデルを導入し、研究する。
攻撃者は、ほとんどのノードがプロセスの終了時にブラックになった場合に成功すると言う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce and study a novel majority-based opinion diffusion model.
Consider a graph $G$, which represents a social network. Assume that initially
a subset of nodes, called seed nodes or early adopters, are colored either
black or white, which correspond to positive or negative opinion regarding a
consumer product or a technological innovation. Then, in each round an
uncolored node, which is adjacent to at least one colored node, chooses the
most frequent color among its neighbors.
Consider a marketing campaign which advertises a product of poor quality and
its ultimate goal is that more than half of the population believe in the
quality of the product at the end of the opinion diffusion process. We focus on
three types of attackers which can select the seed nodes in a deterministic or
random fashion and manipulate almost half of them to adopt a positive opinion
toward the product (that is, to choose black color). We say that an attacker
succeeds if a majority of nodes are black at the end of the process. Our main
purpose is to characterize classes of graphs where an attacker cannot succeed.
In particular, we prove that if the maximum degree of the underlying graph is
not too large or if it has strong expansion properties, then it is fairly
resilient to such attacks.
Furthermore, we prove tight bounds on the stabilization time of the process
(that is, the number of rounds it needs to end) in both settings of choosing
the seed nodes deterministically and randomly. We also provide several hardness
results for some optimization problems regarding stabilization time and choice
of seed nodes.
- Abstract（参考訳）: 我々は、新しい多数意見拡散モデルを導入し、研究する。
ソーシャルネットワークを表すグラフ$g$を考えてみよう。
当初、シードノードまたはアーリーアダプターと呼ばれるノードのサブセットは、消費者製品や技術革新に関する肯定的あるいは否定的な意見に対応する、黒または白で色付けされていると仮定する。
そして、各ラウンドにおいて、少なくとも1つの有色ノードに隣接した無色ノードが、隣ノードの中で最も頻繁な色を選択する。
品質の悪い製品を宣伝するマーケティングキャンペーンを考えてみて、その最終的な目標は、人口の半数以上が意見拡散プロセスの最後に製品の品質を信じることである。
我々は,シードノードを決定論的あるいはランダムに選択し,そのほぼ半数を操作し,製品に対する肯定的な意見(すなわち,黒色を選択する)を採用する3種類の攻撃者に焦点を当てた。
攻撃者は、ほとんどのノードがプロセスの終了時にブラックになった場合に成功すると言う。
私たちの主な目的は、攻撃者が成功できないグラフのクラスを特徴付けることです。
特に、基礎となるグラフの最大次数が大きすぎなかったり、拡張性が強い場合、そのような攻撃に対してかなり弾力性があることを示す。
さらに, シードノードを決定論的, ランダムに選択する両方の設定において, プロセスの安定化時間(つまり, 終了すべきラウンド数)の厳密な境界を証明した。
また,シードノードの安定化時間と選択に関する最適化問題に対して,いくつかの硬度結果を提供する。
関連論文リスト
- A Generalisation of Voter Model: Influential Nodes and Convergence Properties [5.4327243200369555]
我々は有権者モデルの一般化を紹介し,研究する。
そこで本研究では,いくつかのラウンド後に期待されるブルーノード数を最大化するために,種子のブルーノードを選択する問題について検討する。
実世界のグラフデータおよび合成グラフデータに関する実験により,提案アルゴリズムが他のアルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2024-11-07T09:38:42Z) - The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。
観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。
さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
論文 参考訳（メタデータ） (2024-06-18T12:16:00Z) - Viral Marketing in Social Networks with Competing Products [23.48809201078124]
ネットワーク内のレッドシードノードを選択するための時間近似アルゴリズムを提案する。
実世界および合成ネットワークにおける実験により,提案アルゴリズムが他のアルゴリズムより優れていることを示す。
特に、ノード数/エッジ数、最大外度、直径など、異なるグラフパラメータの観点から収束時間に関するいくつかの厳密な境界を証明します。
論文 参考訳（メタデータ） (2023-12-25T21:59:15Z) - Graph Adversarial Immunization for Certifiable Robustness [63.58739705845775]
グラフニューラルネットワーク(GNN)は敵の攻撃に対して脆弱である。
既存の防衛は、敵の訓練やモデル修正の開発に重点を置いている。
本稿では,グラフ構造の一部を接種するグラフ対人免疫法を提案し,定式化する。
論文 参考訳（メタデータ） (2023-02-16T03:18:43Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳（メタデータ） (2022-12-25T23:19:56Z) - Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。
ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。
我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
論文 参考訳（メタデータ） (2022-10-15T08:01:08Z) - Cascading Failures in Smart Grids under Random, Targeted and Adaptive
Attacks [4.968545158985657]
スマートグリッドにおけるカスケード障害について検討し、攻撃者がノードの次数、間性、クラスタリング係数に比例した確率で選択的に妥協する。
ネットワークはランダムアタックに比べてターゲットアタックに対して高速に崩壊することを示す。
敵は、同じ数のノードを一度に競合するのに比べて、この適応的アプローチに有利である。
論文 参考訳（メタデータ） (2022-06-25T21:38:31Z) - Query-based Adversarial Attacks on Graph with Fake Nodes [32.67989796394633]
そこで本研究では,元のグラフに偽ノードの集合を導入することで,新たな敵攻撃を提案する。
具体的には、各被害者ノードに対して、最も敵対的な特徴を取得するよう、被害者モデルに問い合わせる。
私たちの攻撃は実用的で目立たない方法で行われます。
論文 参考訳（メタデータ） (2021-09-27T14:19:17Z) - Self-supervised Graph Learning for Recommendation [69.98671289138694]
ユーザ・イテムグラフを用いた自己教師型学習を推奨する。
補助的自己監督タスクは、自己識別によるノード表現学習を強化する。
3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
論文 参考訳（メタデータ） (2020-10-21T06:35:26Z) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - Investigating Extensions to Random Walk Based Graph Embedding [0.3867052484157571]
ランダムウォークに基づくグラフ埋め込みの新たな拡張を提案する。これは、ウォークから最も頻度の低いノードのパーセンテージを異なるレベルで除去する。
この除去により、我々は遠く離れたノードがノードの近傍に存在することをシミュレートし、従ってそれらの接続を明示的に表現する。
その結果、ランダムウォークベースの手法の拡張(うちを含む)は、予測性能をほんの少しだけ改善することがわかった。
論文 参考訳（メタデータ） (2020-02-17T21:14:02Z)
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。