論文の概要: Socially Fair Mitigation of Misinformation on Social Networks via
Constraint Stochastic Optimization
- arxiv url: http://arxiv.org/abs/2203.12537v1
- Date: Wed, 23 Mar 2022 16:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 18:14:05.832907
- Title: Socially Fair Mitigation of Misinformation on Social Networks via
Constraint Stochastic Optimization
- Title(参考訳): 制約確率最適化によるソーシャルネットワーク上の誤情報の社会的公正化
- Authors: Ahmed Abouzeid, Ole-Christoffer Granmo, Christian Webersik, Morten
Goodwin
- Abstract要約: 本稿では,異なるソーシャルネットワークの誤情報統計に頑健な汎用的誤情報緩和アルゴリズムを提案する。
新規な損失関数は、ユーザ間の公正な緩和を保証する。
以上の結果から,我々のLA手法が頑健であり,類似の誤情報緩和手法より優れており,その効果がネットワークユーザに与える影響が示唆された。
- 参考スコア(独自算出の注目度): 8.392268562017103
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent social networks' misinformation mitigation approaches tend to
investigate how to reduce misinformation by considering a whole-network
statistical scale. However, unbalanced misinformation exposures among
individuals urge to study fair allocation of mitigation resources. Moreover,
the network has random dynamics which change over time. Therefore, we introduce
a stochastic and non-stationary knapsack problem, and we apply its resolution
to mitigate misinformation in social network campaigns. We further propose a
generic misinformation mitigation algorithm that is robust to different social
networks' misinformation statistics, allowing a promising impact in real-world
scenarios. A novel loss function ensures fair mitigation among users. We
achieve fairness by intelligently allocating a mitigation incentivization
budget to the knapsack, and optimizing the loss function. To this end, a team
of Learning Automata (LA) drives the budget allocation. Each LA is associated
with a user and learns to minimize its exposure to misinformation by performing
a non-stationary and stochastic walk over its state space. Our results show how
our LA-based method is robust and outperforms similar misinformation mitigation
methods in how the mitigation is fairly influencing the network users.
- Abstract(参考訳): 近年のソーシャルネットワークの誤情報緩和アプローチは,ネットワーク全体の統計尺度を考慮し,誤情報を減らす方法を検討する傾向にある。
しかし、個人間の不均衡な誤情報の暴露は、緩和資源の公平な配分を追求する。
さらに、ネットワークは時間とともに変化するランダムなダイナミクスを持つ。
そこで我々は,確率的かつ非定常的なknapsack問題を導入し,その解決法をソーシャルネットワークキャンペーンにおける誤情報の軽減に応用する。
さらに、異なるソーシャルネットワークの誤情報統計に頑健で、現実のシナリオに有望な影響を与えるような一般的な誤情報緩和アルゴリズムを提案する。
新しい損失関数は、ユーザ間の公正な緩和を保証する。
最適化インセンティブ予算をナップサックにインテリジェントに割り当て、損失関数を最適化することで公平性を達成する。
この目的のために、Learning Automata(LA)チームが予算配分を推進している。
各laはユーザと関連付けられ、状態空間を非定常かつ確率的に歩くことで誤情報への露出を最小限に抑えることができる。
以上の結果から,我々のLAに基づく手法が,ネットワークユーザに与える影響について,同様の誤情報緩和手法より優れていることを示す。
関連論文リスト
- Entanglement: Balancing Punishment and Compensation, Repeated Dilemma
Game-Theoretic Analysis of Maximum Compensation Problem for Bypass and Least
Cost Paths in Fact-Checking, Case of Fake News with Weak Wallace's Law [0.0]
本研究ノートは、フェイクニュースの普及と効果的な事実確認に関連する問題を解決するための新しいアプローチについて整理したものである。
最小コストのルーティング問題に着目して、ニュース提供者間の情報伝達のダイナミクスをモデル化するために、メッツラー関数とメッツラー行列を用いて議論を行う。
論文 参考訳(メタデータ) (2024-02-18T18:26:50Z) - Privacy-Preserving Distributed Learning for Residential Short-Term Load
Forecasting [11.185176107646956]
電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。
我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。
実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2024-02-02T16:39:08Z) - Online Auditing of Information Flow [4.557963624437785]
本稿では,ニュース項目を偽物や真偽と分類することを目的として,情報の流れ・伝播のオンライン監査の問題点を考察する。
グラフによってモデル化されたネットワーク上での確率的マルコフ情報拡散モデルを提案する。
上記のリスクを最小化する最適検出アルゴリズムを発見し,いくつかの統計的保証を証明した。
論文 参考訳(メタデータ) (2023-10-23T06:03:55Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳(メタデータ) (2023-04-07T13:41:08Z) - Adversarial training with informed data selection [53.19381941131439]
アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。
本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。
シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
論文 参考訳(メタデータ) (2023-01-07T12:09:50Z) - SPIN: Simulated Poisoning and Inversion Network for Federated
Learning-Based 6G Vehicular Networks [9.494669823390648]
車両ネットワークは常にデータプライバシー保護の懸念に直面してきた。
この手法は、モデル逆転とモデル中毒攻撃に対して非常に脆弱である。
本研究では,データ再構成に最適化手法を応用したシミュレート中毒・逆変換ネットワーク(SPIN)を提案する。
論文 参考訳(メタデータ) (2022-11-21T10:07:13Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳(メタデータ) (2022-08-10T03:41:48Z) - RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。
RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。
当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
論文 参考訳(メタデータ) (2022-07-12T19:34:47Z) - CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown
Social Networks [14.695979686066062]
本稿では,RL法のサンプル効率を向上させるために,CLAIM-Curriculum LeArning Policy for Influence Maximizationを提案する。
実世界のデータセットで実験を行い、我々のアプローチが現在の最良のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2021-07-08T04:52:50Z) - Contingency-Aware Influence Maximization: A Reinforcement Learning
Approach [52.109536198330126]
インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。
本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。
最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
論文 参考訳(メタデータ) (2021-06-13T16:42:22Z) - Risk Minimization from Adaptively Collected Data: Guarantees for
Supervised and Policy Learning [57.88785630755165]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。
本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。
政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
論文 参考訳(メタデータ) (2021-06-03T09:50:13Z)
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。