論文の概要: RoSGAS: Adaptive Social Bot Detection with Reinforced Self-Supervised GNN Architecture Search

• arxiv url: http://arxiv.org/abs/2206.06757v1
• Date: Tue, 14 Jun 2022 11:12:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 15:34:38.706700
• Title: RoSGAS: Adaptive Social Bot Detection with Reinforced Self-Supervised GNN Architecture Search
• Title（参考訳）: RoSGAS: 自己監督型GNNアーキテクチャ検索による適応型ソーシャルボット検出
• Authors: Yingguang Yang, Renyu Yang, Yangyang Li, Kai Cui, Zhiqin Yang, Yue Wang, Jie Xu, Haiyong Xie
• Abstract要約: ソーシャルボットは、人間のように振る舞おうとするソーシャルネットワーク上の自動アカウントである。 本稿では,新しいGNNアーキテクチャ検索フレームワークであるRoSGASを提案する。 我々は異種情報ネットワークを利用して、アカウントメタデータ、関係性、行動特徴、コンテンツ特徴を活用することで、ユーザ接続性を示す。 5つのTwitterデータセットの実験によると、RoSGASは精度、トレーニング効率、安定性の点で最先端のアプローチを上回っている。
• 参考スコア（独自算出の注目度）: 12.567692688720353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social bots are referred to as the automated accounts on social networks that make attempts to behave like human. While Graph Neural Networks (GNNs) has been massively applied to the field of social bot detection, a huge amount of domain expertise and prior knowledge is heavily engaged in the state-of-the art approaches to design a dedicated neural network architecture for a specific classification task. Involving oversized nodes and network layers in the model design, however, usually causes the over-smoothing problem and the lack of embedding discrimination. In this paper, we propose RoSGAS, a novel Reinforced and Self-supervised GNN Architecture Search framework to adaptively pinpoint the most suitable multi-hop neighborhood and the number of layers in the GNN architecture. More specifically, we consider the social bot detection problem as a user-centric subgraph embedding and classification task. We exploit heterogeneous information network to present the user connectivity by leveraging account metadata, relationships, behavioral features and content features. RoSGAS uses a multi-agent deep reinforcement learning (RL) mechanism for navigating the search of optimal neighborhood and network layers to learn individually the subgraph embedding for each target user. A nearest neighbor mechanism is developed for accelerating the RL training process, and RoSGAS can learn more discriminative subgraph embedding with the aid of self-supervised learning. Experiments on 5 Twitter datasets show that RoSGAS outperforms the state-of-the-art approaches in terms of accuracy, training efficiency and stability, and has better generalization when handling unseen samples.
• Abstract（参考訳）: ソーシャルボットは、人間のように振る舞おうとするソーシャルネットワークの自動化アカウントと呼ばれる。 グラフニューラルネットワーク(GNN)は、社会的ボット検出の分野に大きく応用されているが、ドメインの専門知識と事前知識は、特定の分類タスクのために専用のニューラルネットワークアーキテクチャを設計するための最先端のアプローチに深く関わっている。 しかし、モデル設計に大きすぎるノードとネットワーク層を巻き込むと、通常、過度にスムースな問題と埋め込み差別の欠如を引き起こす。 本稿では,最も適したマルチホップ地区とGNNアーキテクチャの層数を適応的に特定する,新しい強化・自己監督型GNNアーキテクチャ探索フレームワークであるRoSGASを提案する。 より具体的には、ソーシャルボット検出問題はユーザー中心のサブグラフ埋め込みと分類タスクであると考えている。 我々は,異種情報ネットワークを利用して,アカウントのメタデータ,関係性,行動的特徴,コンテンツの特徴を活用し,ユーザとの接続性を示す。 RoSGASは、最適な近傍層とネットワーク層の探索をナビゲートするマルチエージェントディープ強化学習(RL)機構を使用して、各ターゲットユーザに対するサブグラフ埋め込みを個別に学習する。 RL学習過程を加速するために近接する機構が開発され、RoSGASは自己教師付き学習の助けを借りてより識別的なサブグラフを埋め込むことができる。 5つのTwitterデータセットの実験によると、RoSGASは精度、トレーニング効率、安定性の観点から最先端のアプローチよりも優れており、目に見えないサンプルを扱う場合の一般化が優れている。

関連論文リスト

• The Spike Gating Flow: A Hierarchical Structure Based Spiking Neural Network for Online Gesture Recognition [12.866549161582412]
  我々は,脳に触発されたスパイキングニューラルネットワーク(SNN)をベースとした,オンライン行動学習のためのスパイキングゲーティングフロー(SGF)というシステムを開発した。 我々の知る限りでは、これは非バックプロパゲーションアルゴリズムに基づくSNNの中で最も正確である。
  論文  参考訳（メタデータ） (2022-06-04T04:37:56Z)
• 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)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)
• ROD: Reception-aware Online Distillation for Sparse Graphs [23.55530524584572]
  疎グラフ学習のための新しいレセプション対応オンライン知識蒸留手法 ROD を提案する。 RODのための3つの監視信号: マルチスケールの受信対応グラフ知識、タスクベース監視、豊富な蒸留知識。 我々のアプローチは9つのデータセットと様々なグラフベースのタスクで広く評価されている。
  論文  参考訳（メタデータ） (2021-07-25T11:55:47Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Firefly Neural Architecture Descent: a General Approach for Growing Neural Networks [50.684661759340145]
  firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。 ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。 特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
  論文  参考訳（メタデータ） (2021-02-17T04:47:18Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• Evolutionary Architecture Search for Graph Neural Networks [23.691915813153496]
  本稿では,大規模グラフニューラルネットワーク(GNN)アーキテクチャ空間における個々のモデルの進化を通じて,新しいAutoMLフレームワークを提案する。 我々の知る限りでは、GNNモデルの進化的アーキテクチャ探索を導入し、評価する最初の試みである。
  論文  参考訳（メタデータ） (2020-09-21T22:11:53Z)
• Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
  最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。 本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。 高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-08-21T19:03:23Z)
• Locality Guided Neural Networks for Explainable Artificial Intelligence [12.435539489388708]
  LGNN(Locality Guided Neural Network)と呼ばれる,バック伝搬のための新しいアルゴリズムを提案する。 LGNNはディープネットワークの各層内の隣接ニューロン間の局所性を保っている。 実験では,CIFAR100 上の画像分類のための様々な VGG と Wide ResNet (WRN) ネットワークを訓練した。
  論文  参考訳（メタデータ） (2020-07-12T23:45:51Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。