論文の概要: Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory

• arxiv url: http://arxiv.org/abs/2205.12179v1
• Date: Tue, 24 May 2022 16:22:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 14:31:55.108308
• Title: Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory
• Title（参考訳）: Dempster-Shafer理論による時間的グラフに基づくソーシャルイベントの検出
• Authors: Jiaqian Ren, Lei Jiang, Hao Peng, Zhiwei Liu, Jia Wu, Philip S. Yu
• Abstract要約: ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
• 参考スコア（独自算出の注目度）: 76.4580340399321
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rising popularity of online social network services has attracted lots of research on mining social media data, especially on mining social events. Social event detection, due to its wide applications, has now become a trivial task. State-of-the-art approaches exploiting Graph Neural Networks (GNNs) usually follow a two-step strategy: 1) constructing text graphs based on various views (\textit{co-user}, \textit{co-entities} and \textit{co-hashtags}); and 2) learning a unified text representation by a specific GNN model. Generally, the results heavily rely on the quality of the constructed graphs and the specific message passing scheme. However, existing methods have deficiencies in both aspects: 1) They fail to recognize the noisy information induced by unreliable views. 2) Temporal information which works as a vital indicator of events is neglected in most works. To this end, we propose ETGNN, a novel Evidential Temporal-aware Graph Neural Network. Specifically, we construct view-specific graphs whose nodes are the texts and edges are determined by several types of shared elements respectively. To incorporate temporal information into the message passing scheme, we introduce a novel temporal-aware aggregator which assigns weights to neighbours according to an adaptive time exponential decay formula. Considering the view-specific uncertainty, the representations of all views are converted into mass functions through evidential deep learning (EDL) neural networks, and further combined via Dempster-Shafer theory (DST) to make the final detection. Experimental results on three real-world datasets demonstrate the effectiveness of ETGNN in accuracy, reliability and robustness in social event detection.
• Abstract（参考訳）: オンラインソーシャルネットワークサービスの普及は、ソーシャルメディアデータのマイニング、特にソーシャルイベントのマイニングに関する多くの研究を引き寄せている。 広く応用されているソーシャルイベント検出は、今や簡単なタスクになっている。 グラフニューラルネットワーク(GNN)を利用した最先端のアプローチは通常、2段階の戦略に従う。 1)様々なビューに基づくテキストグラフの構築(\textit{co-user}, \textit{co-entities}, \textit{co-hashtags}) 2)特定のGNNモデルによる統一テキスト表現の学習。 一般に、結果は構築されたグラフの品質と特定のメッセージパッシングスキームに大きく依存する。 しかし、既存の手法は双方に欠点がある。 1)信頼できない視点によるノイズ情報の認識に失敗する。 2)ほとんどの作品において,出来事の重要な指標として働く時間情報は無視される。 そこで本研究では,新しい時空間認識グラフニューラルネットワークetgnnを提案する。 具体的には、ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 メッセージパッシング方式に時間的情報を組み込むため,適応時間指数減衰式に基づき,近隣に重みを割り当てる時間的アグリゲータを導入する。 ビュー固有の不確実性を考慮すると、全てのビューの表現は、明らかな深層学習(EDL)ニューラルネットワークを介して質量関数に変換され、さらにデンプスター・シェーファー理論(DST)を介して最終的な検出を行う。 実世界の3つのデータセットにおける実験結果は,ソーシャルイベント検出におけるetgnnの有効性,信頼性,ロバスト性を示す。

関連論文リスト

• LGB: Language Model and Graph Neural Network-Driven Social Bot Detection [43.92522451274129]
  悪意のあるソーシャルボットは、誤った情報を広め、社会的世論を喚起することで、悪意ある目的を達成する。 言語モデル (LM) とグラフニューラルネットワーク (GNN) の2つの主要コンポーネントから構成される新しいソーシャルボット検出フレームワーク LGB を提案する。 2つの実世界のデータセットの実験では、LGBは最先端のベースラインモデルよりも最大10.95%向上している。
  論文  参考訳（メタデータ） (2024-06-13T02:47:38Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Hierarchical and Incremental Structural Entropy Minimization for Unsupervised Social Event Detection [61.87480191351659]
  グラフニューラルネットワーク(GNN)ベースの手法は、自然言語の意味論と複雑なソーシャルネットワーク構造情報の融合を可能にする。 本稿では,グラフ構造エントロピー(SE)最小化による社会事象の検出について述べる。 GNNベースの手法の利点を維持しながら、提案するフレームワークであるHISEventは、より有益なメッセージグラフを構築している。
  論文  参考訳（メタデータ） (2023-12-19T06:28:32Z)
• Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders [31.953958053709805]
  我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。 実験の結果,ベースライン上でのモデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-05-29T21:11:34Z)
• DoubleH: Twitter User Stance Detection via Bipartite Graph Neural Networks [9.350629400940493]
  2020年の米国大統領選挙の大規模なデータセットをクロールし、手動でタグ付けされたハッシュタグによって、すべてのユーザーを自動的にラベル付けします。 本稿では,二部グラフニューラルネットワークモデルであるDoubleHを提案する。
  論文  参考訳（メタデータ） (2023-01-20T19:20:10Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• BRIGHT -- Graph Neural Networks in Real-Time Fraud Detection [23.226891472871248]
  エンドツーエンドのGNN学習を実現するために,Batch and Real-time Inception GrapH Topology (BRIGHT) フレームワークを提案する。 BRIGHTフレームワークはグラフ変換モジュールと対応するGNNアーキテクチャで構成されている。 実験の結果,BRIGHT は平均 w.r.t.precision において 2% 以上の性能を示した。
  論文  参考訳（メタデータ） (2022-05-25T23:51:27Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。